模糊CMAC网络的FPGA实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法,首先,给出了模糊CMAC网络的模型及其算法,通过MATLAB仿真获取了模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络;测试结果表明:该模糊CMAC网络的FPGA实现方法是可行的,硬件化后的网络具有速度快、精度高、占用器件资源少的特点,是SOPC中实现模糊CMAC网络模块的一种有效方法.     

基于FPGA的模糊CMAC网络的硬件实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法。首先,分析了模糊CMAC网络的结构与算法,并以MAT-LAB仿真为依据,得到模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络。测试结果表明:该模糊CMAC网络硬件实现具有速度快、精度高的特点,且占用较少的硬件资源,是SOPC中实现模糊CMAC网络模块的一种有效方法。     

一种模糊CMAC神经网络

提出了一种模糊CMAC(小脑模型关节控制器)神经网络,它由输入层、模糊化层、模糊相联层、模糊后相联层与输出层等5层节点组成,具有与CMAC相似的单层连接权,可通过BP算法学习推论参数或模糊规则.给出了网络的连接结构与学习算法,并将其应用于函数逼近问题中仿真结果验证了该方法较之CMAC的优越性.     

基于FPGA的2-D模糊CMAC网络的硬件实现

提出了二维模糊CMAC网络的一种基于FPGA的硬件实现方法.首先,分析了模糊CMAC网络的结构与算法,并以Matlab仿真为依据,得到模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络.测试结果表明:该模糊CMAC网络硬件实现具有速度快、精度高的特点,且占用较少的硬件资源,是SOPC中实现模糊CMAC网络模块的一种有效方法.     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

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.     

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。     

改进的广义隶属函数法及其FPGA实现

针对工程应用的实际,首先改进了广义隶属函数法,在Matlab中进行了算法仿真。将广义隶属函数法与FPGA的特点相结合,设计了一种广义隶属函数型模糊控制器,并将控制算法在FPGA上实现。     

基于FPGA的模糊逻辑控制器的硬件实现

提出了一种基于现场可编程门阵列(FPGA)的模糊逻辑控制器的硬件实现方法,并将其用于倒立摆控制系统。实验研究表明,在倒立摆倾角小于10°时,软件或硬件控制效果相当,在倾角大于10°时硬件模糊控制器的控制效果明显优于软件模糊控制器的控制效果,而且前者的抗扰动性能更好。当倾角大于30°时,由于机械性能方面的原因,倒立摆的稳定性有所降低。因此,采用该方法不仅快,而且是一种足以灵活完成数字模糊控制器的方法。该设计方法稍加修改亦可应用于其他控制场合,具有良好的通用性。     

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.     

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。     

CMAC最优设计及其算法--GA技术优化CMAC偏移矢量分布

采用GA(Genetic Algorithm)技术实现CMAC(cerebellar Model ArticulationController)最优设计及算法.该方法解决了CMAC与其学习对象的整体优化问题,具有理论意义和实用价值.仿真结果证明该方法是成功的和有效的.对不同的客观对象(如空间曲面),可以采用GA技术找到CMAc的最优内部表示(偏移矢量分布),实现一般CMAC难以达到的精度.该方法比Albus的CMAC和Parks等的CMAC学习效果都有不同程度的提高,适合于要求高精度学习的情况.同时给出了任意偏移矢量分布的CMAC算法.     

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.     

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.     

遗传算法对CMAC与PID并行励磁控制的优化

为解决同步发电机在不同工况下的PID控制参数最优化,干扰情况下的快速稳定等问题,提出了一种通过遗传算法来优化CMAC与PID的并行控制策略.由遗传算法来对PID参数进行全局择优,CMAC在其基础上进行局部择优,以达到所需要的控制效果.Matlab仿真表明该控制方案与传统控制方案相比具有优越性,通过现场试验表明算法的可行性和实际控制效果的优越性.     

Adaptive-backstepping force/motion control for mobile-manipulator robot based on fuzzy CMAC neural networks

In this paper, an adaptive backstepping fuzzy cerebellar-model-articulation-control neural-networks control （ABFCNC） system for motion/force control of the mobile-manipulator robot （MMR） is proposed. By applying the ABFCNC in the tracking-position controller, the unknown dynamics and parameter variation problems of the MMR control system are relaxed. In addition, an adaptive robust compensator is proposed to eliminate uncertainties that consist of approximation errors, uncertain disturbances. Based on the tracking position-ABFCNC design, an adaptive robust control strategy is also developed for the nonholonomicconstraint force of the MMR. The design of adaptive-online learning algorithms is obtained by using the Lyapunov stability theorem. Therefore, the proposed method proves that it not only can guarantee the stability and robustness but also the tracking performances of the MMR control system. The effectiveness and robustness of the proposed control system are verified by comparative simulation results.     

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。