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 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。     

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     

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.     

椭球基函数神经网络的混合学习算法

提出一种训练椭球基函数神经网络(EBFNN)的混合学习算法.此算法首先使用期望最大化算法初始化EBFNN中椭球基函数节点的参数,而网络的连接权重和偏差项则用线性最小二乘方法进行初始化.然后用梯度下降法对EBFNN中所有参数同时进行优化.与其他3个相关的模型相比,用混合学习方法训练的梯度下降椭球基函数神经网络(GDEBFNN)能够取得更优的分类性能.此外,与支持向量机对比表明,GDEBFNN取得与之接近的泛化能力.与基于Adaboost的决策树模型比较表明,GDEBFNN可以取得更优的泛化性能.     

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.     

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.     

基于傅立叶函数基变换的过程神经元网络学习算法

针对过程神经元网络训练涉及的时域聚合运算问题,提出了一种基于傅立叶正交函数基展开的过程神经元网络学习算法。在网络输入函数空间中引入傅立叶正交函数基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用函数基的正交性,可简化过程神经元在时间聚合运算中的复杂性,提高网络学习效率。给出了具体的实现算法,仿真实验结果证明了算法的有效性。     

基于函数正交基展开的过程神经网络学习算法

过程神经网络的输入和连接权均可为时变函数,过程神经元增加了一个对于时间的聚合算子,使网络同时具有时空二维信息处理能力．该文在考虑过程神经网络对时间聚合运算的复杂性的基础上,提出了一种基于函数正交基展开的学习算法．在网络输入函数空间中选择一组适当的函数正交基,将输入函数和网络权函数都表示为该组正交基的展开形式,利用基函数的正交性．简化过程神经元对时间的聚合运算．应用表明,算法简化了过程神经网络的计算复杂度,提高了网络学习效率和对实际问题求解的适应性．以旋转机械故障诊断问题和油藏开发过程采收率的模拟为例验证了算法的有效性．     

基函数可递归的泛函神经元网络学习算法

将泛函神经元结构做了一个变形,给出了一种基函数可递归的泛函神经元网络学习算法,该算法借助于矩阵伪逆递归求解方法,完成对泛函神经元网络基函数的自适应调整,最终实现泛函网络结构和参数共同的最优求解。数值仿真实验结果表明,该算法具有自适应性、鲁棒性和较高的收敛精度,将在实时在线辨识中有着广泛的应用。     

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.     

单亲遗传算法及其全局收敛性分析

序号编码的遗传算法(GA)不能在两条染色体的任意位置进行交叉,必须使用PMX,CX和OX等特殊的交叉算子,而这些交叉算子实施起来都很麻烦.针对序号编码GA的上述不足,提出一种单亲遗传算法(PGA).PGA采用序号编码,不使用交叉算子,而代之以隐含序号编码GA交叉算子功能的基因换位等遗传算子,简化了遗传操作,并且不要求初始群体具有多样性,也不存在"早熟收敛"问题.仿真结果验证了这种算法的有效性.     

任意偏移矢量分布的N维CMAC映射算法及其应用

给出任意偏移矢量分布的Ｎ维ＣＭＡＣ映射算法，并将其成功地应用于Ｐａｒｋｓ和Ｍｉｌｉｔｚｅｒ给出的改进偏移矢量分布的多变量ＣＭＡＣ，进而获得高效的Ｎ维ＣＭＡＣ算法，给出了Ｐａｒｋｓ和Ｍｉｌｉｔｚｅｒ表与本文算法的转换原则和算法。     

基于径向基函数网络的非线性离散时间系统的自适应控制

对于一类离散时间的非线性系统x(k+1)=f(x(k))+u(k)+d(k),当系统中的非线性函数f(x(k))满足线性增长条件时,首先证明了{x(k)}落入一紧集中,然后根据高斯径向基函数网络的逼近性质,给出了自适应控制器的设计方法.利用李亚普诺夫稳定性理论,证明了控制算法是全局稳定的,跟踪误差收敛于零的某一领域中.     

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。     

基于改进阈值函数的小波降噪算法与仿真分析

通过比较分析传统软、硬阈值函数降噪的算法发现:硬阈值函数存在间断点的问题,而软阈值函数在小波系数绝对值较大的区域引起部分高频信息损失。针对以上问题,提出一种新的阈值函数降噪算法。利用传统的阈值降噪步骤,使用新阈值函数将分解得到的小波系数进行保留或者收缩处理,然后将得到的新小波系数进行图像的重构。添加不同类型的噪声对改进的算法进行验证。实验结果表明,新的阈值函数降噪算法比普通算法更有效,通过新的阈值函数降噪得到的图像,有更大的峰值信噪比(PSNR)和更小的均方误(MSE),PSNR的值最大提高了1.97倍,MSE的值最大下降了54.4%。     

坐标旋转法的收敛性,误差估计及扩展

本文通过推广正规序列的定义,得到一个不等式,由此证明了统一计算初等函数数值的坐标旋转法的收敛性,作了误差估计,并拓广了所计算的函数范围,成为快速计算所有初等函数的统一算法．     

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．