双向规划小脑模型神经网络CMAC学习控制

CMAC小脑模型是模拟人小脑的一种学习结构。以往CMAC方法为单向规划方法,为改善CMAC学习控制效果,提出如下双向规划方法     

神经计算中坐标变换的网络模型(CMAC)的泛化特性

在神经计算中神经网络的泛化特性是一个非常重要的内容.该文简述了小脑模型(CMAC--Cerebellar Model Areiculation Controller)的原理和学习算法,并用仿真方法讨论了在机器人使用的坐标变换关系(输入直角坐标值,输出机器手的关节角度)下CMAC的泛化性能:当泛化率为1:100时CMAC仍能正常工作.系统的精度虽能满足需要,但是进一步提高却受到限制.本文还讨论了影响精度的各种因素及可能的改进方法.     

神经计算与量子神经计算的研究综述

神经计算科学是从信息科学的角度,用计算的方法研究神经网络如何模仿和延伸人脑活动的机理及实现类脑智能信息系统的问题。量子神经计算是量子计算与神经计算相结合的产物。文中主要阐述了神经计算的研究现状,在其基础上对量子神经计算的概念及模型进行了介绍,综述了国内外的研究动态与发展趋势。     

伺服系统的高斯基函数CMAC学习控制研究

在高精度伺服系统中,由于摩擦力及负载扰动等因素的影响,常规PID控制难以满足越来越高的控制精度、跟踪性能等指标要求。本文提出了基于商新基函数CMAS在线学习的控制方案,并给出了相应的学习算法。仿真结果表明．该方法不仅有较好的控制精度,而且具有学习速度快等优点。     

工业机器人的小脑模型控制

本文为动力学控制工业机器人提出了一种综合学习算法,这种学习算法可将以前所学的信息用于新的控制输入.这种控制方法不需要事先知道机器人动力学,它易于应用于特殊的控制问题或修改以适应实际系统中的变化,控制方法在时间上是有效的,且很适合于定点实现.学习控制算法的有效性通过4自由度的直接驱动机器人前两个关节在重复运动中的计算机仿真实验得到了验证.     

小脑模型CMAC网络结构及有关参数的确定

从映射的角度分析了CMAC模型各层神经元之间的关系，根据网络输入向量的量化级数、泛化参数、相邻量化级引起的重叠神经元的个数，从理论上给出了虚拟层神经元数目的范围。对于存在实际层神经元的CMAC模型，讨论了压缩映射对网络学习收敛性的影响。最后通过机器手逆运动学问题的仿真实验，进一步比较说明了在从虚拟层神经元到实际层神经元的压缩映射中不同压缩比对网络学习收敛性及系统运行精度的影响。     

CMAC 算法收敛性分析及泛化能力研究

利用矩阵理论和线性方程组迭代收敛的一般性原理,在不附加特殊条件折情况下,证明了CMAC算法在批量和增量两种学习方式下的收敛定理,对在关联矩阵正定条件下得出的结论进行推广和改进。在此基础上提出了一种学习率自寻优的CMAC改进算法,并提出一种简单可行的评价CMAC网络整体泛化性能的指标,通过计算仿真验证了收敛定量的正确性和改进算法的优越性,并研究得出了CMAC网络各个参数对其泛化性能影响的相关结论。     

一种CMAC超闭球结构及其学习算法

提出了一种CMAC(Cerebellar Model Articulatlon Controller)输入空间超闭球量化方法.基于超闭球上模糊基函数的信息存储与恢复策略,还给出了快速收敛的学习算法.通过非线性动态系统建模仿真研究,结果表明CMAC具有很强的学习记忆和泛化能力.     

模糊免疫与CMAC控制

本文将模糊免疫与CMAC两类智能控制方法进行对比,分析了它们的主要区别和各自的优势,并将它们应用于同一个伺服系统。仿真实验表明,模糊免疫略优于CMAC控制,但CMAC在逆模型控制方面具有潜在优势,两种方法均有强鲁棒性、快速跟踪、易于工程实现等特点。     

用于TCSC阻抗控制的CMAC和PID复合策略

TCSC的阻抗控制是实现TCSC其他控制功能的基础。为更好地实现TCSC对命令阻抗的响应，采用了一种新型阻抗控制策略——小脑模型神经网络（Cerebella Model Articulation Controller，CMAC）与PID复合控制策略。该控制策略能够实现被控对象的逆动态模型，同时保证系统能有效地抑制扰动，具有足够的稳定性。在Matlab／Simulink仿真环境下搭建两区域四机系统进行仿真．结果证实了该控制策略的有效性。     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此,提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号,从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒性.此外,它可以使用较高的学习速率,实时性强.     

基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制

基于自组织模糊CMAC(SOFCMAC)神经网络,提出了一种非线性模型参考神经网络增广逆系统鲁棒自适应跟踪控制方法.该方法的特点是通过S0FCMAC神经网络在线修正由于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出准确跟踪参考模型输出.SOFCMAC的权值调整规律由Lyapunov稳定性理论导出.文中证明了非线性闭环系统的稳定性.仿真例子表明了本文方法的有效性.     

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。     

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.     

基于模糊CMAC神经网络的并联机器人自适应力控制研究

本文介绍了一种基于Takagi型模糊推理方法的模糊C MAC神经网络,分析了其学习算法,设计出基于这种模糊神经网络的并联机器人自适应力控 制器,并进行了仿真和实验研究,证明所设计的控制器是可行和有效的．     

一类具有多维存储结构的CMAC神经网络

对于多输入 CMAC神经网络 ,概念映射决定了网络泛化特性 .从而直接影响到网络学习速度和网络的逼近精度 .本文在对多输入 CMAC网络进行深入分析的基础上 ,指出了概念映射的重要性及现有映射算法存在的不足 ;巧妙地将网络存储器由原来的一维改为多维从而得到了一类新型的多输入 CMAC神经网络 ,同时给出了新型网络的概念映射算法并分析论证了算法的合理性、严密性 .计算机仿真结果验证了所提出新型网络及其概念映射算法的有效性     

基于代数神经网络的多元多项式近似因式分解模型及学习算法

文中从首一无平方多项式Ｆ（ｘ,ｙ）有根ｘ＝ψｉ（ｙ）＝（ｉ＝１,２,…ｄｅｇｘ（Ｆ））,其中ψｉ（ｙ）＝Ｃｉ,０＋Ｃｉ,１ｙ＋Ｃｉ,２ｙ＾２＋…,入手,设计了一类二元多项式求根及近似因式分解的神经网络模型,它们分别是双输入单输出４层前向网络与单输入多输出３层前向给出了神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过选定隐层与输出层的待求权值Ｃｉｊ,完成学习,可确定出其不可约因式个数ｒ,通过     

基于量子神经网络的油田水淹层识别方法

针对油藏测井解释中的水淹层识别问题,提出一种量子神经网络模型。该模型用量子旋转门更新量子比特的相位,用受控旋转门实现网络的非线性映射功能。网络可调参数为量子旋转门的旋转角度和受控非门的控制参数。基于梯度下降法设计了学习算法。仿真结果表明,该模型的预测能力优于普通BP网络、模糊神经网络和过程神经网络等其他方法。     

高阶CMAC神经网络的研究

提出了一种高阶ＣＭＡＣ（ＨＣＭＡＣ）神经网络，它是采用高阶的径向基函数作为接收域函数，为了进一步增强对输入模式的表达，还可以用接收域函数输入模式向量构成张量积，这时产生的是高维的增强表达，同时ＨＣＭＡＣ沿用ＣＭＡＣ的地址映射方法，由于高阶接收域函数的引入，使其可以获得较ＣＭＡＣ连续性强且有解析微分的复杂函数近似，ＨＣＭＡＣ在不改变ＣＭＡＣ简单结构的基础上较ＲＢＦ网络有计算量少，学习效率高等优点，中     

神经网络的规划学习算法

本文利用二次规划方法，讨论对神经网络训练样本的吸引半径的优化问题，并借用二交规划中的ＲＰＡ算法求该优化解，得到一种新的神经网络基于规划的学习算法，其次，将规划学习算法与现有的几种常见算法进行比较，指出该算法的特点。