模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑 模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维 Fuzzy CMAC算法,仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点:学习收敛 速度快得多,可以学习模糊规则.Fuzzy CMAC比CMAC优越,使CMAC成为Fuzzy CMAC 的特例.     

FUZZY CMAC NEURAL NETWORK ZHOU XUDONG

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维Fuzzy CMAC算法，仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点学习收敛速度快得多，可以学习模糊规则. Fuzzy CMAC比CMAC优越，使CMAC成为Fuzzy CMAC的特例.     

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。     

改进的小脑控制神经网络算法研究

研究小脑控制器神经网络(CMAC)在模式识别中的应用问题.在算法优化过程中,针对模式识别中训练样本中存在着高维、大量冗余信息而传统CMAC不能够对输入信息空间维数降低,从而常导致CMAC网络训练速度慢、识别率低等问题.为了加快CMAC学习速度,提高识别率,提出一种基于粗糙集(RS)的CMAC模式识别方法(RS_CMAC).利用粗糙集约简并删除训练样本中的冗余信息,降低样本的维数,从而优化网络的结构;同时网络中引入了自适应动态学习率,加快网络的收敛速度和学习速度,从而提高识别率.以数码管模式识别为例对算法进行了验证性实验,仿真结果表明,与传统CMAC相比.识别精度有了明显提高,学习速度加快.RS_CMAC方法克服了传统CMAC缺点和不足,是一种有效的模式识别方法,为实际应用提供依据.     

一种CMAC网络模型及其在机器人控制中的应用

小脑模型关节控制器（CMAC）具有学习算法简单、在线学习速度快的优点,非常适于机器人等复杂系统的自适应控制,本文阐述了CMAC的原理,证明了其收敛性,提出了一种适合于机器人轨迹跟踪控制的CMAC,并给出了仿真实验结果。     

基于平衡学习的CMAC 神经网络非线性辨识算法

为提高小脑模型关节控制器(CMAC)神经网络在线学习的快速性和准确性，提出一种平衡学习的概念，并设计一种改进的CMAC学习算法．在常规的CMAC中，误差的校正值被平均地分配给所有激活存储单元，而不管这些存储单元的可信度；在改进的CMAC中，利用激活单元先前学习次数作为可信度，其误差校正值与激活单元先前学习次数的负k次方成比例．仿真结果表明，当k为一适当数值时，改进CMAC具有较快的学习速度和较高的精度，特别是在神经网络的初始学习阶段．     

基于信度分配的并行集成CMAC及其在建模中的应用

Albus CMAC(cerebella model articulation controller) 神经网络是一种模拟人类小脑学习结构的小脑模型关节控制器, 它具有很强的记忆与输出泛化能力, 但对于在线学习来说, Albus CMAC仍难满足快速性的要求. 本文在常规CMAC神经网络的基础上, 针对其在学习精度与存储容量之间的矛盾, 引入信度分配概念, 提出了一种基于信度分配的并行集成CMAC. 它将大规模网络切割为多个子网络分别训练后再组合, 大大地提高了计算效率. 通过对复杂非线性函数建模的仿真研究表明, 该方案提高了系统建模的泛化能力和算法的收敛速度. 文章最后讨论了学习常数和泛化参数对该神经网络在线学习效果的影响.     

一种变步长CMAC的沉降NARMAX模型*

为了提高氧化铝生产质量和降低能耗,本文分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用小脑模型神经网络(CMAC)系统辨识的方法建立沉降系统的带外部输入的自回归滑移模型(ARMAX)。针对CMAC收敛性存在的问题,提出了基于变步长小脑模型神经网络(CMAC)算法,通过双曲正割函数优化学习步长,提高了小脑模型神经网络算法的收敛速度和计算精度,进而优化了沉降槽密度ARMAX模型。仿真实验表明,该算法的ARMAX模型可以对沉降过程中的槽内密度进行准确识别,指导氧化铝的沉降生产操作。     

机器人视觉伺服中CMAC学习控制系统研究

根据小脑模型关联控制器（CMAC）收敛速度快,适于实时控制系统的特点,设计了一种基于CMAC学习控制方法的机器人视觉伺服系统。在该系统中,CMAC被用作前馈视觉控制器对常规反馈控制器进行补偿。所提出的CMAC控制器替代图像雅可比矩阵来获得目标图像特征和机器人关节运动之间2D/3D变换关系,通过其在线学习,可以使系统对摄像机标定误差不敏感,从而提高系统的鲁棒性。实验证明了所设计控制系统的有效性。