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。     

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.     

小脑模型神经网络改进算法的研究

该文介绍了小脑模型神经网络的基本原理,在分析Albus[1]算法的基础上,指出了该算法在批量学习时的缺陷.针对批量学习提出了相应的改进算法,并证明了该算法的收敛性,仿真结果表明了该改进算法具有收敛速度快的特点.     

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.     

小脑模型神经网络在紫外线消毒控制中的应用

在用微机控制紫外线消毒的过程中,需要根据电源电压计算出紫外线照射时间,由于这两者之间的非线性关系难以用明确的函数描述,因此,笔者研究了一种用改进的小脑模型神经网络进行映射的方法,取得了很好的效果。该文重点阐述了该小脑模型神经网络的算法、应用原理和方法。并对研制该装置的意义和装置的简要原理及实验、试用情况等做了简要介绍。     

CMAC网络在机动目标跟踪中的应用

采用“当前”统计模型的机动目标跟踪算法,常常会遇到当系统参数固定时,如果目标以较小的加速度机动时,系统方差较大、跟踪精度低的问题。为了解决这一问题,该文首先对目标的机动性能提出了一种简单但合理有效的量化方法,在此基础上,根据目标当前的机动性能,通过利用CMAC(小脑模型连接控制器)网络对系统参数进行调整来提高跟踪精度。最后从理论上说明了该算法中使用的CMAC网络一定收敛,从而保证了网络训练结果的可靠性。仿真结果证明了该算法的有效性。     

A Modified CMAC Algorithm Based on Credit Assignment

A Credit-Assignment CMAC (CA-CMAC) algorithm is proposed to reduce learning interference in conventional CMAC. In the proposed CA-CMAC, the error of the training sample distributed to the addressed memory cell is proportional to the cell's credibility, which is the inverse of the cell's activated times. The learning process of CA-CMAC is analyzed and conventional CMAC is proved to be a special case of CA-CMAC. Furthermore, the convergence properties of CA-CMAC both in batch learning and in incremental learning are investigated; meanwhile, the convergence theorems in the two learning schemes are obtained, respectively. Finally, simulations are carried out to testify the theorems and compare the performance of CA-CMAC with that of CMAC. Simulation results prove that CA-CMAC converges faster than conventional CMAC.     

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.     

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.     

基于三角剖分的小脑模型在增强学习中的应用

研究了一种基于三角剖分的小脑模型的增强学习控制器设计方法,并应用于机器人足球中单机器人截球的学习控制中。该方法通过在Markov决策过程状态空间中引入基于单纯形的库恩三角化,实现基于三角剖分的线性值函数逼近,从而有效提高了增强学习控制器对连续状态空间马氏决策问题的泛化性能。针对机器人截球学习控制的仿真研究表明,采用基于三角剖分的小脑模型进行值函数逼近的增强学习控制器能够获得优于已有基于均匀编码的小脑模型方法的学习效率和泛化性能。     

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．     

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。     

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.     

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.     

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。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

CSTR系统的基于CMFC神经元网络的学习控制研究

CMAC(Cerebellar Model Articulation Controller或Cerebellar Model Arithmetic Computer)神经元网络是由Albus提出的一种表达复杂非线性函数的表格查询的自适应系统。本文将CMAC应用到具体的连续搅拌反应釜(CSTR)系统的学习控制研究中,仿真结果表明,该学习控制策略具有较强的自学习能力且容易实现,对于改善非线性控制的性能,不失为一种有益的尝试。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构,并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化,加快了网络的收敛速度,提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中,网络学习率对网络收敛特性的影响,论证了自适应学习率在网络学习中的作用,并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制,给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线,并给出了分析和对比,论证了改进的学习算法的优越性。     

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.