基于多模型和小脑模型关节控制器神经网络的移动机器人故障诊断

提出了一种基于多模型估计方法的神经网络故障诊断技术.该技术根据轮式移动机器人的故障模型,通过一组卡尔曼滤波器生成不同的残差,每一个卡尔曼滤波器对应一种故障类型;对所得的残差进行简单处理,将其作为小脑模型关节控制器(CMAC)神经网络的输入,利用CMAC神经网络的分类逼近能力,建立输入组到输出组(故障类型)的精确映射,最终实现故障诊断任务.仿真实验证明了该故障诊断技术在轮式移动机器人故障诊断上的实用性.     

堆垛机速度智能控制的优化研究

采用模糊控制技术与小脑模型神经网络(CMAC)相结合的方式进行堆垛机的速度控制,克服单独运用模糊控制或CMAC神经网络的缺点,使系统既具有模糊控制的灵活性和强适应性,又兼具神经网络的学习能力,并且采用遗传算法对控制器的输入输出比例因子及连接权值进行寻优.仿真结果表明:该控制系统提高了系统的稳定性、鲁棒性和控制精度,使系统的综合性能得到显著改善.     

基于CMAC网络强化学习的电梯群控调度

电梯群控调度是一类开放、动态、复杂系统的多目标优化问题.目前应用于群控电梯调度的算法主要有分区算法、基于搜索的算法、基于规则的算法和其他一些自适应的学习算法.但已有方法在顾客平均等待时间等目标上并不能够达到较好的优化性能.本文采用强化学习技术应用到电梯群控调度系统中,使用CMAC神经网络函数估计模块逼近强化学习的值函数,通过Q-学习算法来优化值函数,从而获得优化的电梯群控调度策略.通过仿真实验表明在下行高峰模式下,本文所提出的基于CMAC网络强化学习的群控电梯调度算法,能够有效地减少平均等待时间,提高电梯运行效率.     

模糊CMAC神经网络在机器人装配作业中的应用

在对机器人销孔装配过程销的装配力与位姿关系实验分析的基础上,设计了机器人主动装配作业的模糊CMAC神经网络系统,采用Takagi型模糊推理方法和有监督的Hebb学习规则,由5自由度装配机器人对直径为12mm的销孔进行了主动装配实验,收到良好的装配效果。     

Resolution of Binary Coding of Real-Valued Vectors by Hyperrectangular Receiptive Fields

Schemes of binary coding of real-valued vectors are considered. Hyperrectangular receptive fields such as RSC and Prager randomly distributed fields and CMAC regular fields are analyzed. Theoretical and experimental estimations of resolving power (resolution) of codes and the comparative analysis of coding schemes are presented. __________ Translated from Kibernetika i Sistemnyi Analiz, No. 5, pp. 3–15, September–October 2005.     

用CMAC预测红外图像的目标轨迹

为了有效地提高目标的捕获概率,进行红外图像目标跟踪时,必须预测目标的质心和姿态.采用CMAC估计器可以有效地解决常用预测算法运算量与预测精度之间的矛盾.CMAC估计器先用线性模型进行训练,然后预测目标的质心和姿态.CMAC每帧用实际误差训练一次,以减少其预测误差.CMAC具有很高的预测精度,且运算量少,适应目标跟踪的实时处理.实验表明:CMAC能精确预测目标的质心和姿态,适应模型变化,具有鲁棒性.     

一种新的分布式神经模糊控制器

提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法。它是CMAC模型的一种扩展，使其能进行模糊推理和构成自学习的模糊控制器。该方法除具有CMAC优点外，还具有以下特点：输入数据通过模糊划分和隶属函数后自动编码，对精度没有限制；从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理给出合适的输出。学习实例证明了方法的有效性。     

Fuzzy system and CMAC network with B-spline membership/basis functions are smooth approximators

Due to their universal approximation, fuzzy system with B-spline membership functions and CMAC neural network with B-spline basis functions have been extensively used in control. In many practical applications, they are desired to approximate not only the assigned smooth function as well as its derivatives. In this paper, by designing a fuzzy system and CMAC neural network with B-spline basis functions, we prove that such a fuzzy system and CMAC can universally approximate a smooth function and its derivatives, i.e, for a given accuracy, we can approximate an arbitrary smooth function by such a fuzzy system and CMAC that not only the function is approximate within this accuracy, but its derivatives are approximated as well. The conclusions here provide solid theoretical foundation for their extensive applications. The authors would like to thank the referees for their invaluable suggestions.     

基于FPGA的CMAC-PID控制器的研究

CMAC是一种局部学习神经网络，结构简单，收敛速度快；PID是目前应用最为广泛的控制算法。结合二者的优点，采用并行方式形成CMAC-PID控制器，进行了Matlab仿真实验。基于VHDL设计该控制器，重点在于CMAC的在线学习算法实现和控制器模块的闭环仿真测试。在FPGA上实现了该控制器，实验结果表明，该控制器运算速度快、精度高，具有较强的抗干扰性，是实现IP控制模块或单片智能控制的一种新的有效途径。