非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.     

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。     

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.     

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。     

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．     

一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法,首先通过构造增广系统,设计出线性渐近跟踪控制器,然后采用SOFCMAC神经网络在线重构系统的非线性特性,以消除非线性特性引起的系统误差,可保证非线性系统闭环稳定并使系统输出跟踪期望输出.仿真算例证明了SOFCMAC神经网络自适应重构跟踪控制系统的稳定性.     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于脑模型联接控制器的SLS工艺参数优化方法研究

目前 ,在SLS成形的过程中 ,成形工艺参数的制定没有一个系统的理论体系和科学方法 ,基本上是凭人的经验来确定的 ,当成形设备、烧结材料和成形件的几何形状发生变化时 ,成形工艺参数又得重新通过大量的试验确定。因此 ,工作量大 ,烧结材料浪费严重 ,导致效率降低和成本增高。本文针对这种现状 ,提出了通过脑模型联接控制器即CMAC神经网络对SLS工艺参数进行优化 ,并在此基础上开发了SLS工艺参数优化系统 ,通过它在线自动给出优化参数 ,这样就大大降低了对操作人员的技术要求并减少了因重复试验而带来的浪费。     

Robust CMAC control schemes for dynamic trajectory following

Abstract

Improved robust CMAC control schemes are proposed for tracing dynamic trajectories in this paper. There are two main structures in the proposed control schemes: one is the robust controller and the other is the improved CMAC network. The robust controller technique can achieve a certain goal without concern for instability of the controlled system in the presence of significant plant uncertainties if the nominal parameter is roughly estimated. Next, in order to reduce the tracing error, a suitable nominal parameter needs to be chosen. Thus, the improved CMAC learning approach under the robust control structure, using the concept of credit assignment, will be employed to determine control variables that can trace other states repeatedly during control processes. Finally, simulation results demonstrate the capability of the proposed control schemes to trace dynamic trajectories.     

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.