基于信任度分配的小脑模型节点控制器改进算法及其收敛性分析

针对传统小脑模型节点控制器(CMAC)算法中的学习干扰现象,给出了一种基于信任度分配的CMAC改进算法(CA-CMAC).该算法将每个存储单元被激活次数的倒数作为该单元的信任度,误差的分配与该单元的信任度成正比.然后提出了信任度矩阵和信任度关联矩阵的概念,并根据线性方程组迭代理论,证明了改进算法在增量学习时的收敛性,给出了收敛条件并进行了验证.通过二自由度平面机器人臂逆动力学求解的仿真,比较了CA-CMAC与传统CMAC的性能,结果表明,CA-CMAC具有更快的收敛速度.     

移动机器人的自学习导航策略

针对标准Q学习收敛较慢的缺点,采用多步Q学习算法,为解决连续过程的学习问题,采用CMAC神经网络对连续状态空间进行泛化,讨论了基于CMAC的多步Q学习算法应用于导航系统的实现方法,并与其他方法进行仿真比较,结果了表明了该算法的有效性。     

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题，结合多移动机器人协调避障路径规划实际应用，用非均匀模糊分割方法将状态空间分解成模糊子空间，相应地将小脑模型连接控制器网络（Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊CMAC（Fuzzy CMAC,FCMAC)函数逼近器，并将FCMAC函数逼近器置入滞后更新多步Q（Pstphoned-Updating Multi-Stp Q-learning,PUMSQ)学习笮算法，提出FCMAC－PUMSQ学习算法，仿真实验证明，该算法有效且有较好的鲁棒性，FCMAC函数逼近器有较好的收敛速度和泛化能力。     

一种单输入/单输出的小脑模型神经网络研究

针对标准小脑模型关联控制器（CMAC）存在的问题,研究了一种单输入单输出（SISO）的CMAC算法.SISO CAMC采用直接地址映射,以输入v的量化值为地址,建立起输入v与权重w的关系,并通过对输入v进行归一化,增强网络的泛化能力.另外,学习采用随机样本,具有学习简单、收敛速度快、函数逼近精度高等特点,可以在单片机上实现.最后,理论证明和仿真试验,验证了该算法的有效性.     

高斯基函数CMAC快速算法的改进及应用研究

该文对基于高斯基函数小脑模型(CMAC)的快速算法进行了改进,针对其学习速率的选取问题,提出了一种基于遗传算法的学习速率最优选取方法,使得CMAC学习速率的选取得到了最优化。讨论了该算法的实际可行性,提出了参数选择和实时控制相分离的策略,并在某转台伺服系统模型中进行了应用研究。仿真结果表明,改进算法避免了学习速率选取的经验不确定性,提高了CMAC学习收敛的快速性。     

一种提高 CMAC神经网络收敛性的改进算法

为了克服CMAC(Cerebellar Model Articulation Controller)算法收敛不稳定问题,该文提出了一种提高CMAC神经网络收敛性的改进算法.首先将收敛条件扩展到一般情况,得出了当量化区间内训练样本均匀分布且学习速率不恒为1时,得到CMAC收敛的频域条件,分析并证明了学习速率对收敛范围的影响,并以此为基础提出改进算法.改进前后的算法进行对比仿真,结果表明改进算法能大大提高CMAC收敛过程的稳定性.改进算法用于克服CMAC的收敛不稳定性问题是可行的、有效的.     

改进的Q学习算法在轨迹规划中的应用

为解决 Q 学习算法易陷入局部最优解问题, 改进了传统贪婪策略, 提出了一种分段渐近搜索策略。该策略通过动态调整策略参数, 使 Q 学习算法在学习过程中实现探索鄄学习鄄利用 3 个阶段的渐近跳转。 同时将该搜索策略应用于 Q 学习算法中, 使改进的 Q 学习算法能更快速地逼近全局最优解。 将改进算法应用于机械臂轨迹规划中, 其仿真结果表明, 该算法能稳定地引导机械臂沿最优轨迹快速到达目标位置。     

分组调度算法在不同权重分布下的时延性能

分组调度算法是网络QoS体系结构中的一个重要组成部分。从业务流的权重分布和流量类型两个角度,通过仿真实验,比较了基于时标算法WF^2Q 和轮循算法DRR,研究了它们的时延性能与流的权重分布、流量类型之间的关系。WF^2Q 在任意的权重分布时都具有最佳的时延性能,而DRR时延性能的优劣与流的权重分布有关系;流量的类型和突发度对两种调度算法的时延性能没有影响。     

采用振荡参数策略的粒子群优化算法

提出了一种新的振荡参数策略(OPS),用以提高粒子群优化算法在指定代数后的收敛性能。为了有效控制局部搜索并收敛于全局最优解,OPS在整个搜索过程中通过振荡惯性权重和加速度系数值来交替进行全局搜索和局部挖掘。惯性权重和加速度系数振荡变化既能提高早期的全局搜索能力,又不会早熟收敛,并使粒子最终趋于全局最优。实验仿真显示,对于大多测试函数,OPS优于时变惯性权重、随机惯性权重、时变加速度系数等策略。     

基于错分样本权重约束的AdaBoost算法改进

提出一种AdaBoost算法中错分样本权重约束的方法,该方法对AdaBoost算法中多次错分样本数据的权重进行约束,当其超过一个阈值时,就限制这些样本权重的增加,使其在下一轮迭代中的权重比例不至于过大,以提高强学习算法的泛化能力及精度.仿真实验表明该方法在分类问题和回归问题上都得到了较好的结果.     

Chaos identification based on CMAC with replacing eligibility learning

In the conventional CMAC learning scheme, the correcting amounts of errors are equally distributed into all addressed weight, regardless the temporal credibility of those weights. In order to solve the temporal credit assignment problem of the CMAC, an improved CMAC neural network based on replacing eligibility learning concept was designed. The proposed improved leaning approach uses the replacing eligibility learning concept of the reinforcement learning to improve the prediction capability. The simulations for chaotic system identification show that the improved CMAC neural network is effective.     

Chaos identification based on CMAC with replacing eligibility learning

In the conventional CMAC learning scheme, the correcting amounts of errors are equally distributed into all addressed weight, regardless the temporal credibility of those weights. In order to solve the temporal credit assignment problem of the CMAC, an improved CMAC neural network based on replacing eligibility learning concept was designed. The proposed improved leaning approach uses the replacing eligibility learning concept of the reinforcement learning to improve the prediction capability. The simulatio...     

一种新的CMAC-AMS学习算法

为了提高CMAC(cerebellar model articulation controller)神经网络实时在线学习的快速性和准确性,在基于信度分配的CA-CMAC-AMS学习算法的基础上,结合牛顿向前插公式,提出了一种新的CMAC-AMS学习算法(CA-NCMAC-AMS)。数值模拟表明,这种CA-NCMAC-AMS的学习算法不但有较快的学习速度和训练精度及建模能力,而且在信号处理、模式识别及高精度的实时智能控制等领域具有很大的应用潜力。     

BMAC网络及其在函数学习中的应用

论述了将n阶B样条函数运用到CMAC网络中形成BMAC网络的过程,并讨论了BMAC网络感受域函数和网络输出特性.BMAC网络与CMAC网络相比,克服了输入状态空间和输出状态空间离散化的缺点,具有连续的输入状态空间和输出状态空间.在函数学习中通过与CMAC网络的对比,体现出了BMAC网络具有逼近速度快,精度高的特性,同时也得出了学习参数及网络权值初始化对学习速度及逼近精度的影响规律.     

基于模糊系统的新型CMAC神经网络及学习算法

提出了一种基于模糊系统的新型CMAC神经网络，该神经网络与CMAC相比，它不需要对输入分量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度，与一般的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，所以此网络的实际应用前景更广阔，所做的大量仿真实验也证明了这一特性。     

基于GA的CMAC与PID控制器的设计与仿真

将遗传算法(GA)、比例-积分-微分(PID)控制器和小脑模型控制器(CMAC)神经网络的优点结合起来，设计了一种新的CMAC与PID并行控制器，并用改进的遗传算法对该控制器的五个参数进行寻优，很好地解决了PID控制参数调整繁琐和CMAC神经网络参数学习困难的问题.仿真结果表明，该方法具有超调量小和响应时间短的特点.     

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。     

基于小脑模型的电液位置伺服系统在线学习控制研究

针对非线性电液位置伺服系统的跟踪控制问题,提出了一种采用小脑模型（ＣＭＡＣ）神经网络的在线学习控制方法,与传统的ＣＭＡＣ控制器不同,该控制器采用动态误差作为ＣＭＡＣ神经网络的激励信号,从而使基于ＣＭＡＣ的控制器跟踪连续变化的信号成为可能,给出了具体的控制结构和算法,仿真结果表明,该控制器具有良好的处理非线性及跟踪连续变化信号的能力,并对时变外负载干扰具有明显的抑制作用,而且新型控制器能和较高的学习     

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题,提出了一种带有小脑模型（ＣＭＡＣ）神经网络的再励学习控制方法。将ＣＭＡＣ神经网络融入再励学习控制结构中,并进行了撞化与改进杯仅使再励学习控制器具备了泛化能力,而且提高了其学习速度,因此竽电液位置伺 服系统的快速跟踪控制。仿真结果表明,控制器不仅具有良好的处理非线性能力而且对时变外扰支具有明显的抑制作用。