CMAC算法中泛化特性分析

CMAC算法中,研究泛化性能是其中一项主要内容.泛化性能好,则网络的学习精度高.本文阐述网络的原理、结构、学习算法,对影响泛化性能的量化精度、采样精度及其之间的关系进行理论分析.并通过计算机仿真验证了当量化精度等于采样精度、量化精度大于采样精度时对网络精度的影响,得出量化精度应该大于采样精度的结论.提出一种利用基于多目标的遗传算法来确定泛化常数和量化精度的方法,并通过实例验证方法的正确性.     

超闭球CMAC的性能分析及多CMAC结构

如何选择合适网络参数是传统CMAC(Cerebellar Model Articulation Controller)应用中的一个难题.采用泛化均方差(GMSE)和学习均方差(LMSE)来分别评价超闭球CMAC的泛化能力与记忆精度,并引入权调整率的概念,来研究CMAC结构参数与学习性能的关系.研究结果表明,在样本分布和量化级数不变时,泛化均方差和学习均方差是权调整率的非增函数.因此超闭球CMAC在满足存储空间和计算速度的要求下尽量使得权调整率较大.还提出了并行CMAC结构以进一步提高单个超闭球CMAC的非线性逼近能力.仿真结果证明了该方法的有效性.     

基于广义基函数的CMAC学习算法的改进及收敛性分析

基于广义基函数的ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）学习算法（称Ｃ－Ｌ算法）收敛条件依赖于基函数和学习样本,很难同时满足学习快速性与收敛性．提出了一种改进学习算法,并证明改进算法是收敛的,而且收敛条件不依赖于基函数和学习样本．仿真结果表明改进算法优于Ｃ－Ｌ算法和标准的Ａｌｂｕｓ算法．     

基于广义基函数的CMAC学习算法的改进及收敛性分析

基于广义基函数的CMAC(Cerebeliar Model Articulation Controller)学习算法(称C-L算法)收敛条件依赖于基函数和学习样本,很难同时满足学习快速性与收敛性.提出了一种改进学习算法,并证明改进算法是收敛的,而且收敛条件不依赖于基函数和学习样本.仿真结果表明改进算法优于C—L算法和标准的Albus算法.     

CMAC学习过程收敛性的研究

基于CMAC学习过程等价于求解线性方程组的(Gauss-Seidel迭代这一事实,研究了学习过程的收敛性.利用矩阵分析方法,估计出了收敛的速度.考虑了作为节省存储空间措施的hash编码的不利影响--破坏了收敛性态.从理论上分析了其存在的原因.     

CMAC学习性能及泛化性能研究综述

小脑模型清晰度控制器(CMAC)是一种局部学习前馈网络,结构简单,收敛速度快,易于实现。从其每个神经元来看,各神经元之间是一种线性关系,但从总体结构来看,网络是一种非线性映射关系。而且模型从输入开始就存在一种泛化能力。网络的学习和泛化能力一直是研究热点,因此,该文将对CMAC网络的泛化能力、学习能力以及一些改善途径进行多方面的综合性的讨论。文章最后还将给出一种改善CMAC泛化能力的训练策略,它不仅避免了学习干扰问题加快了学习速度而且可以通过提高训练循环次数增加训练样本量。通过MATLAB仿真发现这种训练策略可以改善CMAC网络的泛化能力。该方法简单有效是可行的。     

新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性

基于J.F.Baldwin等人提出的mass-assignment理论,提出了新的基于mass-assignment的模糊CMAC神经网络,接着研究了其学习规则.理论研究结果揭示出,此新模糊CMAC是一个全局逼近器,并且具有学习收敛性.故此新模糊CMAC有非常重要的应用潜力.     

基于算法稳定的分类机器学习泛化能力的研究

泛化能力是机器学习理论研究的主要目的.本文通过对算法稳定框架下分类机器学习相对误差的研究,得到了重叠稳定条件下分类机器学习不依赖于分布的相对误差的界,再通过这个界讨论了重叠稳定条件下分类机器学习的泛化能力,得出了重叠稳定条件下分类机器学习是具有较好泛化能力的结论.     

人工神经网络泛化问题研究综述*

从理论、方法（思想）和技术三个层次回顾了以往工作,讨论了模型复杂度、样本复杂度及两者之间关系的相关研究;在实际中,通过控制模型复杂度、调整样本等具体技术可以在一定程度上提高神经网络的泛化能力,但这些技术仍然存在一些问题没有解决。最后提出了对今后研究的展望。     

神经网络的泛化能力与结构优化算法研究

从泛化理论、现有提高神经网络泛化能力的方法等几个方面总结了当前神经网络结构优化与泛化能力研究的现状。神经网络泛化能力的提高可通过神经网络结构的优化和正则化等方法加以实现。最后提出了今后研究的展望。     

Learning Convergence of CMAC Algorithm

CMAC convergence properties both in batch and in incremental learning are analyzed. The previous conclusions about the CMAC convergence, which are deduced under the condition that the articulation matrix is positive definite, are improved into the new less limited and more general conclusions in which no additive conditions are needed. An improved CMAC algorithm with self-optimizing learning rate is proposed from the new conclusions. Simulation results show the correctness of the new conclusions and the advantages of the improved algorithm.     

一种提高前向神经网络泛化性能的新算法

提出了一种利用遗传算法优化前向神经网络的结构和正则项系数的混合学习算法．将该方法与附加动量的BP算法、固定正则项系数神经网络方法进行比较．数值结果显示该方法具有精度高、学习收敛速度快和泛化能力高等优点．     

The learning convergence of CMAC in cyclic learning

In this paper we discuss the learning convergence of the cerebellar model articulation controller (CMAC) in cyclic learning.We prove the following results.First,if the training samples are noiseless,the training algorithm converges if and only if the learning rate is chosen from (0,2).Second,when the training samples have noises,the learning algorithm will converge with a probability of one if the learning rate is dynamically decreased.Third,in the case with noises,with a small but fixed learning rate ε the mean square error of the weight sequences generated by the CMAC learning algorithm will be bounded by O(ε).Some simulation experiments are carried out to test these results.     

高超声速飞行器的模糊CMAC神经网络控制器设计

由于采用机体一体化设计,吸气式高超声速飞行器的气动特性难以准确获知,建立的数学模型是极不准确的;设计了一种模糊CMAC神经网络(FCMAC)控制器及其学习算法,在CMAC神经网络控制器中结合模糊逻辑理论,使得CMAC控制器具有自学习能力;仿真用高超声速飞行器的纵向模型对该控制器进行了验证,证明该控制方法能够有效地跟踪飞行器的高度和速度指令。     

关于广义模糊CMAC学习收敛性的理论结果

提出了广义模糊CMAC(cerebellar model articu lation controller)神经网络,并导出了其学习的充分条件.最后,证明了广义模糊CMAC在 平方误差意义下的学习收敛性.研究结果为广义模糊CMAC的广泛应用提供了基础.     

CMAC(小脑模型)神经计算与神经控制

CMAC神经网络是局部学习网络,结构简单,收敛速度快,易于软件和和硬件实现 ,具有广泛的应用前景．本文综述了CMAC神经网络结构和算法,以及在控制中的应用,指出 了CMAC神经计算和神经控制发展方向及在实际应用中需解决的问题．     

CMAC神经网络的N维概念映射算法

小脑模型神经网络（ＣＭＡＣ）是１９７２年由Ｊ．Ｓ．Ａｌｂｕｓ提出的，是实际控制上用得最多的神经网络之一，但是其概念映射较为复杂，至今尚未给出一般公式。本文在Ａｌｂｕｓ的概念映射基础上，给出了ＣＭＡＣ神经网络的Ｎ维概念映射算法，为ＣＭＡＣ神经网络应用提供了极大方便。