非线性函数的自适应分区多神经网络学习及仿真实验

根据BP神经网络学习非线性函数的精度与所学函数的区间大小及变化率等有关，提出了一种非线性函数的自适应分区多神经网络学习方法，这种方法根据学习精度的要求，自适应地把所学函数分成若干区间，分别用一个BP神经网络去学习，从而使学习精度大大提高，最后，给出了学习一维函数和多维函数的仿真实例，其结果表明分区学习的精度可提高10倍以上。     

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。     

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     

基于模糊CMAC神经网络的热电偶非线性误差补偿研究

介绍了一种用单输入单输出模糊小脑神经网络(SISO FCMAC)对热电偶进行非线性误差补偿的方法。并以单片机89C5l以及外围芯片为核心设计了一个智能热电偶温度测试仪，给出了校正算法和硬件电路。     

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．     

改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络（IFCMAC）,该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。     

函数链神经网络的性能改进

函数链网络（Ｆｕｎｃｔｉｏｎａｌ Ｌｉｎｋ Ｎｅｔｗｏｒｋ－ＦＬＮ）通过对向量（或模式）的非线性扩展,将非线性照射特性引入了单层神经网络,采用δ学习规则获得了快速的学习和非线性映射特性。文中在ＦＬＮ基础上,借助凸集优化思想,利用最陡梯度下降技术获得了比ＦＬＮ更高的存储容量和更快速的学习速度。计算机模拟的结果证实了所提的算法性能。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则。对初步的规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验,结果表明,该神经网络具有分类逼近能力强、计算量小等优点。     

基于CMAC神经网络改善振筒式传感器静态特性

利用小脑模型连接控制器(CMAC)神经网络的非线性函数逼近,并以振筒式压力测试系统为例,提出了一种综合修正传感器静态误差的新方法。计算机仿真与实验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现。     

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     

A new pseudo-Gaussian-based recurrent fuzzy CMAC model for dynamic systems processing

This article presents a new pseudo-Gaussian-based recurrent fuzzy cerebellar model articulation controller (PG-RFCMAC) model for identifying various nonlinear dynamic systems. A pseudo-Gaussian basis function can provide the self-organising PG-RFCMAC model, which own a higher flexibility and can approach the optimise result more accurately. The pseudo-Gaussian basis function is used to model the hypercube cells and the fuzzy weights. The recurrent network is embedded in the PG-RFCMAC model by adding feedback connections with a receptive field cell, where the feedback units act as memory elements. An on-line learning algorithm is proposed for the automatic construction of the proposed model during the learning procedure. Computer simulations were conducted to illustrate the performance and applicability of the proposed model.     

用于传感器非线性误差校正的新颖神经网络

该文阐述了用神经网络校正传感系统非线性误差的原理和方法,提出了一种新颖的简化小脑模型神经网络（SCMAC）及其模型、算法与实现技术.模型、算法采用直接权地址映射技术,以训练样本的输入为地址,建立起输入与权重的关系.任意输入作为相近的权地址,即可找到对应的权,经过联想插补后可获得高精度输出.此外,采用磁盘文件存储、寻址权重等方法,避免了微机内存溢出,使得实现容易.最后给出了一个仿真实验.实验结果表明,用SCMAC校正后,可使传感器的非线性误差减少到近似为零.     

A self-constructing fuzzy CMAC model and its applications

This work presents a self-constructing fuzzy cerebellar model articulation controller (SC-FCMAC) model for various applications. A self-constructing learning algorithm, which consists of the self-clustering method (SCM) and the back-propagation algorithm, is presented. The proposed SCM scheme is a rapid, one-pass algorithm which dynamically estimates the number of hypercube cells in input data space. The clustering method does not require prior knowledge, such as the number of clusters in a data set. The back-propagation algorithm is applied to tune the adjustable parameters. Simulation results are obtained to show the performance and applicability of the proposed model.     

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.     

Design and analysis of direct-action CMAC PID controller

This paper is to propose a direct-action (DA) cerebellar model articulation controller (CMAC) proportional-integral-derivative (PID) controller. The proposed controller, termed the DAC-PID controller, can generate four simple types of the nonlinear functions and then determine a control effort from those functions to control the process. In addition, the real-coded genetic algorithm is used to tune the parameters of the DAC-PID controller such that we can optimize those parameters. The performance of the proposed controller is also discussed in the sense of quantitative analysis. Simulation results demonstrate that the DAC-PID controller is superior to the conventional PID controller tuned by Ziegler–Nichols method and, moreover, as better as the optimal PID controller and the optimal fuzzy-PID controller.     

基于CMAC的非线性逆滤波改善传感器的动态特性

在测量系统中许多传感器存在着严重的非线性静态特性和响应滞后的动态特性,当被测量对象的变化率高于传感器的响应速度时,测量结果与真值之间存在较大的误差.为了补偿这个测量误差,采用了一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去改善传感器的特性.IIR滤波器的系数通过实验数据得到,非线性静态环节采用单输入单输出小脑神经网络(SISO CMAC)实现.SISO CMAC具有学习简单、收敛速度快、函数逼近精度高等特点.最后,通过对热敏电阻动态测量误差的补偿,验证了该方法的有效性.     

小脑模型控制系统的遗传算法最优设计

首次采用遗传算法实现小脑模型控制固定增益的最优设计，并采用超调受限最优化方法进行优化，而且结合线材缠绕坟系统张力控制进行了控制仿真试验，同时采用遗传算法对同一被控对象进行ＰＩＤ最优控制设计，试验结果表明本文方法是有效的，它克服了以往小脑模型控制设计的反复度错的缺点，进而使控制系统设计工作量大大减少，试验还表明，采用遗传算法对小脑模型控制的固定增益进行最优设计，比对ＰＩＤ最优控制设计容易，而且稳定。     

基于CMAC的无人机紧密编队飞行控制研究

针对多无人机紧密编队飞行控制系统,提出一种基于小脑模型神经网络的编队飞行队形保持控制器。该控制器以飞行控制系统横向、纵向及垂直方向通道的动态误差作为小脑模型关节控制器（CMAC）的激励信号,并与常规的PID控制器相结合构成系统的复合控制。仿真结果表明：该控制器能够控制无人机编队,在定常运动和机动过程中都可以保持期望队形,且这种控制方法具有超调量较小,鲁棒性强,响应速度快,抗干扰能力强等优点。     

风力发电机风向小脑神经网络软测量方法研究

风向测量值是控制风力发电机偏航的依据。风向测量值和原始风向值之间通常会存在偏差,这是影响风力发电机风能捕捉效率的主要因素之一。受风力发电机结构限制,机舱上的风向标难以准确测量风向。分析了风向测量误差产生原因,叙述了风向测量值和原始风向值之间的数学关系。风向软测量技术是降低风向测量偏差的有效方法。简述了风向软测量技术的传统方法。传统风向软测量方法可以显著减小测量误差,但计算量大,风力发电机翼型参数精度要求高,不适合工程使用。针对传统风向软测量技术的不足,提出了小脑神经网络(CMAC)软测量方法。该方法降低了风向测量的计算量,进一步提高了风向测量精度。实践证明了该方法的可行性。