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。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

驾驶员转向特性分类与辨识方法对比研究

针对汽车驾驶员转向特性分类与辨识问题,基于CarSim仿真平台对研究方法进行了初步探索。设计了转向工况仿真试验,采集试验数据,根据车辆最大横摆角速度,使用K-means聚类算法对驾驶员转向特性进行分类。在Matlab软件环境下分别采用学习向量量化(LVQ)神经网络、BP神经网络、支持向量机(SVM)建立驾驶员转向特性辨识模型,并对3种网络建立的辨识模型进行测试试验和比较。试验结果表明:3种辨识方法均具有较高的辨识精度,其中支持向量机方法在汽车驾驶员转向特性辨识方面具有一定的优势。     

基于神经网络的尾流激励叶片气动力辨识方法

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学（CFD）方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP神经网络和NARX神经网络建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。     

基于通用学习网络的pH控制过程辨识

pH控制过程是典型的非线生过程，传统的辨识方法尚不能很好地辨识该过程，利用一种新型的神经网络－－通用学习网络对该过程进行辨识，取得了良好的辨识结果，网络训练误差和泛化误差均达到较高精度，网络训练输出曲线与教师信号曲线拟合良好。     

基于CMAC神经网络的工业过程稳态优化

提出一种利用CMAC (cerebellar model articulation controller)神经网络进行工业过程的辨识和稳态优化方法.利用CMAC神经网络的优点,基于系统的动态信息,在不干扰系统正常运行的情况下获得当前时刻下系统的稳态模型,并在此模型的基础上,对系统进行稳态优化和仿真.仿真结果证明了该方法的有效性.     

人工情感在Agent行为选择策略中的应用

研究了人工情感在智能系统中是否可以发挥重要作用．以一生活在虚拟环境中的agent作为研究对象，提出一种基于模糊逻辑的情感模型，并将情感的评估作用与基于CMAC神经网络的联想学习机制相结合，将情感对环境和agent自身状态的评估的变化作为再励信号，用于引导agent的行为选择策略的学习．计算机仿真研究的结果表明，运用该方法可以取得良好的效果．     

发动机支持向量机建模及精度影响因素

针对发动机具有非线性、时变性的特点以及采用常规神经网络辨识时的过学习等问题,提出基于支持向量机(SVM)的发动机模型辨识方法。该方法以大量实测数据为基础,采用结构风险最小化准则(SRM),保证网络具有很强的推广特性。以MATLAB为平台,依据实测试验数据,研究核函数、损失函数及惩罚参数对系统辨识精度的影响,确定各参数对模型精度影响的程度。在充分考虑各参数之间交互作用的前提下,利用循环嵌套查找方法,获得使支持向量机网络辨识精度达到最优时的各参数值,并以此建立发动机转矩及油耗模型。研究结果表明:基于支持向量机的发动机模型具有较强的泛化能力,为实现发动机与传动系统共同工作的最佳匹配控制奠定了基础。     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

基于灰度共生矩阵的模糊神经网络FuCMAC在图像分割中的应用

文中提出了一种改进的CMAC神经网络（FuCMAC），与经典的FCMAC相比，其逼近精度得到提高，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，将该特征向量作为神经网络的输入，结果表明其具有较高的分割准确性．     

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     

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.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

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...     

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。     

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.     

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。     

基于CA-CMAC的Q学习截球算法

CMAC神经网络的主要优点在于其局部修正权重系数,使每次修改的权重系数极少,因此具有快速学习能力,非常适合于在线实时控制。但是在实际的使用过程中,CMAC算法会产生可信度的分配问题。因此使用CA-CMAC来代替CMAC。Q学习是一种重要的强化学习方法,将Q学习与CA-CMAC网络相结合用到Robocup仿真环境中,使智能体通过学习训练球员的截球能力。通过实际的仿真取得了很好的效果,证明算法是有效可行的。     

用于变压器线圈暂态分析的导线内阻抗的计算

推导了变压器线圈以线匝为单元的内阻抗的计算模型。模型包括在大约５００ｋＨｚ以下频率范围先用二维时变场的有限元法计算１０多种常用线规的内阻抗作为样本，然后通过人工神经网络学习形成权重系数，以备实际变压器暂态频域分析使用；在大约５００ｋＨｚ以上频率范围，内阻抗采用薄板解析公式计算。     

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。