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。     

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．     

基于阴阳调和的模糊神经网络

针对传统的基于最小均方差或最大后验概率的学习算法不能得到最优解的实际情况,提出将贝叶斯阴阳(Bayesian Yin-Yang, BYY)学习算法引入模糊小脑模型关联控制器(Cerebellar Model Articulation Controller, CMAC)来确定最优模糊集的方法,并利用真值限定(Truth Value Restriction, TVR)推理策略推导出规则权值的真值.BYY受著名的中国古代阴阳哲学理论启发,认为宇宙中的任何事物都是阴和阳对立的统一体,当阴阳取得调和时,则达到完美.模糊规则集通过BYY系统地优化,使其具有更高的泛化能力;与原始的CMAC相比,它有效地减少了存储需求,并提供直觉模糊逻辑推理,具有清晰的语意规则.产品需求预测实验结果表明:BYY结合TVR应用于模糊神经网络,改进了CMAC模型,预测方法优于其他代表性的神经网络模型,所求模糊集与训练数据达到阴阳调和,得到最优解.     

基于PMSM的电动负载模拟器建模与控制

电动负载模拟器是舵机测试和半实物仿真的关键设备之一.介绍了永磁力矩电机驱动的电动负载模拟器的结构和工作原理,建立了其数学模型,并对控制系统进行了设计和仿真分析.针对加载梯度大范围变化条件下,一套固定的PID参数适应性较差的问题,设计了基于CMAC的复合控制方案,控制系统表现了较强的自适应性.     

水轮机修复机器人修复区域建模与仿真

提出基于Matlab-CAMC实现水轮机修复机器人工作空间修复区域仿真的方法.构造了一种3层小脑神经网络(CMAC).以机器人示教得到的修复区域位置信息为CMAC网络输入空间的输入向量,用扩展B样条函数作为CMAC非线性映射的基函数,用合并单变量函数exp()训练CMAC,用Matlab语言工具箱和编辑器进行程序设计并仿真,为机器人的运动规划、轨迹规划和工艺参数规划提供了依据.     

CMAC Based Color Separation in Printing Images

To over come the drawbacks existing in current measurement methods for detecting and controlling colors in printing process, a new medal for color separation and dot recognition is proposed from a view of digital image processing and patter recognition. In this model, firstly data samples are collected from some color patches by the Fuzzy C-Means （FCM） method; then a classifier based on the Cerebellar Model Articulation Controller （CMAC） is constructed which is used to recognize color pattern of each pixel in a microscopic halftone image. The principle of color separation and the algorithm model are introduced and the experiments show the effectiveness of the CMAC-based classifier as opposed to the BP network.     

基于CMAC的中性浮力实验体解耦控制研究

针对中性浮力实验体控制问题,提出一种动态解耦多通道复合控制算法.通过实验体受力分析,建立了其六自由度运动模型.设计了一种动态解耦神经网络,其优点在于能适应动态变化的耦合程度.采用CMAC(Cerebellar Model Articulation Controller)和PID复合控制进行单通道控制,其优点在于结合了CMAC前馈控制的快速响应性能和PID反馈控制的强抗干扰性.经MATLAB仿真验证,提出的算法能有效控制实验体位置和姿态.调整时间短且稳态精度高,效果优于PID控制.     

基于RBF辨识的伺服系统CMAC控制

提出一种基于RBF辨识的伺服系统CMAC复合控制器,并进行了仿真研究。采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。仿真结果表明,该控制方法能够缩短系统暂态响应时间,提高系统的动态跟踪精度,增加系统鲁棒稳定性。     

一种模糊小脑模型神经网络

为了简化网络、提高网络的学习能力、便于对一些系统的建模，本文提出了一种小脑模型神经网络，将模糊逻辑的推理过程用小脑模型神经网络表示出来，其输入层采用模糊化的感受野，能有效地减少输入层的容量，提高逼迫能力。由于采用系统的模糊信息，可以按实际问题的性质初始化网络的结构与参数，有利于提高学习的收敛速度。学习结果能更真实地描述问题的实质。     

基于多个并行CMAC神经网络的强化学习方法

为解决标准Q学习算法收敛速度慢的问题,提出一种基于多个并行小脑模型(Cerebellar Model Articulation Controller:CMAC)神经网络的强化学习方法。该方法通过对输入状态变量进行分割,在不改变状态分辨率的前提下,降低每个状态变量的量化级数,有效减少CMAC的存储空间,将之与Q学习方法相结合,其输出用于逼近状态变量的Q值,从而提高了Q学习方法的学习速度和控制精度,并实现了连续状态的泛化。将该方法用于直线倒立摆的平衡控制中,仿真结果表明了其正确性和有效性。