基于信度分配的串行集成CMAC及其仿真

针对Albus CMAC在学习精度与存贮容量之间的矛盾,借鉴神经网络集成思想,并引入可信度的概念,提出了基于信度分配的串行集成CMAC,以提高学习系统的泛化能力和网络收敛速度。通过对复杂非线性函数的逐级降维,分步逼近,有效地提高了网络的学习精度。仿真研究进一步验证了该方案的可行性和有效性。     

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.     

基于CMAC神经网络的泵控马达调速系统控制性能

提出了一种基于ＣＭＡＣ神经来控制泵马达调速系统的方法,该方法对液压系统时变和动特性差的缺点能加以补偿和改善。通过仿真研究证明了这种方法的有效性。     

CMAC用于分析和设计非线性过程控制系统(Ⅰ)——CMAC预测器

本文是基于CMAC神经网络分析和设计非线性过程控制系统的第一部分,分析了Chiang&Lin提出的基于广义基函数的CMAC学习算法收敛条件的局限性,提出了一种改进算法,并证明改进算法是收敛的,应用该算法的CMAC用于过程输出的预测器,仿真结果表明了所提方案是有效性的.     

一种用CMAC网络建立模糊控制器的新方法

提出了和种新的建立模糊控制的方法，在原来模糊控制的基础上，对模集提出了新的解释，将模糊集的建立和模糊规则的确立和受控系统的物理行为直接联系起来。然后，通过ＣＭＡＣ神经网络对受控系统进行学习，掌握受控系统的特性，并最终由ＣＭＡＣ神经网络根据对模糊集的新的解释，来建立模糊集并提取模糊规则。     

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。     

带有干扰观测器的PID-CMAC控制系统设计

PID神经网络有很强的拟合能力,它用于基于神经网络逆模型的干扰观测器设计,并进一步设计了带一种带有干扰观测器的PID-CMAC复合控制系统。该系统解决了内扰无法观测的问题,通过设置干扰观测器加快了消除内扰的过程,CMAC的控制作用使系统输出能够更快地跟踪系统输入。实验表明,该控制系统不仅能够提高系统输出跟踪系统输出的能力,而且能够更快地消除内扰。     

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。     

基于神经网络的肌电信号的数据融合技术研究

肌电信号作为智能化假肢、康复机器人的驱动源,是目前热点研究方向之一。针对多通道肌电信号的时变、非线性、相互关联耦合的特性,选择了基于神经网络的数据融合技术。完成了CMAC神经网络方法的数学建模,为实现肌电信号的数据融合技术,作了重要的准备。     

层叠CMAC补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性,提出一种层叠小脑模型关节控制器(CMAC)神经网络同滑模变结构控制相结合的控制策略。首先利用改进CMAC学习机器人系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取,分析表明系统可实现全局渐近稳定。在6-6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性.