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。     

新型智能挖掘机自动轨迹控制研究

为了使挖掘机能实现良好的轨迹规划与控制精度,具备良好的操作平稳性,建立了智能挖掘机工作装置运动学和动力学模型,并编制模型的Matlab程序,克服多变量、强耦合及负载扰动对于轨迹控制的影响,同时运用小脑模型神经网络(CMAC)的控制方法,逼近工作装置动力学模型,很好的解决自动轨迹控制的问题.结果表明,运用该控制方法得到了良好的控制效果,控制精度达到20mm之内,满足轨迹控制的要求,所以基于CMAC的控制策略方法可以实现对挖掘机实时准确的控制.     

CMAC网络与模糊PD并行控制仿真研究

针对工业被控对象广泛存在的不确定性、非线性、时变性和多干扰等特性,提出了一种CMAC网络与模糊PD并行控制器的设计方法。该方法以模糊PD控制代替传统的PD控制实现反馈控制,并采用遗传算法整定模糊PD控制的量化因子,CMAC网络实现前馈控制。仿真结果表明,CMAC网络与模糊PD并行控制相对于PID控制与传统的CMAC网络与PD并行控制具有更强的鲁棒性与抗干扰能力。     

基于新型模糊CMAC神经网络的Agent外贸协商模型

文章提出了一个由外销商训练的基于一种新型模糊小脑神经网络的Agent外贸协商模型。由于模糊小脑神经网络训练快速性,所以客户在输入了购买信息之后,可以及时获得相关评价,使客户最终能以协商的方式与Agent达成协议,提高了工作效率,仿真试验也证明了其评价的正确性。     

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.     

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。     

一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。     

基于高斯基函数CMAC模型的一种快速算法

广义小脑模型（ＣＭＡＣ）在函数泛化能力和函数逼近能力方面优于基本ＣＭＡＣ模型，但算法较为复杂，实时性差．因此，研究广义ＣＭＡＣ模型的快速算法，对于满足实时控制是非常必要的．文中研究了基于高斯基函数的广义ＣＭＡＣ模型的快速算法，定义了包含待学习样本点的一个超立方体子空间，提出了基于该超立方体子空间的快速学习算法．通过算例仿真表明，学习算法收敛速度较快，可以满足实时控制要求．     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型，在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络（GFAC）。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度，利用GFAC可以获得较常规CMAC连续性强且有解析微分的复杂函数近似。