CMAC神经网络的概念映射算法

在Ａｌｂｕｓ的概念映射基础上，给出了了ＣＭＡＣ神经网络的Ｎ维概念映射算法，并给予了证明，为ＣＭＡＣ神经网络应用提供了极大方便。     

模糊CMAC神经网络用于单输入输出非线性系统的鲁棒自？…

在已知名义系统的基础上，将模糊ＣＭＡＣ神经网络用于一类状态反馈可线性化的单输入输出连续时间非线性系统的鲁棒自适应反馈线性化，使系统获得得要素的中有弱的假设条件下，应用李雅普诺夫稳定性理论论证了闭环系统内的所有信号为ＵＵＢ。     

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。     

六自由度并联平台特性分析及其电液位置伺服系统的CMAC神经网络控制

以六自由度运动平台为研究对象,分析了平台的运动学和动力学问题,采用了CMAC神经网络作为控制器,实现运动轨迹的跟踪。仿真表明所作的运动学、动力学分析是正确的,控制器具有较强的抗负载干扰能力和良好的鲁棒性。     

应用模糊推理的计算机辅助位置误差补偿

提出一种基于模糊推理的计算机辅助位置误差补偿方法。该方法根据实验规律和人的经验总结出语言规则,构成模糊推理机。将伺服机构的位置误差和位置误差变化率作为模糊推理机的两个输入变量,把模糊推理机的输出变量作为误差补偿校正量,并把校正量经直线拟合生成误差校正曲线,利用脉冲合成误差补偿法对伺服机构的位置误差进行补偿。误差校正曲线的生成具有学习功能。实验及应用结果证明该补偿方法具有可行性和良好的效果。     

一种基于CMAC神经网络及遗传算法的温度控制器

温度控制在大工业生产过程中具有重要作用,但是目前一些常规控制器往往存在着超调量大,滞后时间长等缺点。针对这些缺点,提出一种新型的智能温度控制器。该控制器充分利用了CMAC神经网络学习速度快和遗传算法能快速跳出局部最优的特点。仿真结果表明新型控制器具有稳定性好、控制准确、学习速度快等特点。     

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。     

改进的CMAC算法及其在机器人控制中的应用

在ＣＭＡＣ算法的基础上,采用两种方法来克服其存储容量随分辨力剧增的缺陷,一种方法是针对输入数据集分布和量化级一致的情况下,利用变分法,求得最佳非均匀量化曲线,使得量化噪声均方值最小;另一种是在输入数据集分布未知,量化级给定的情况下,利用求重心的方法,提高网络分辨力,从而避免了以增大存储容量来提高分辨力,大大提高了网络的分辨力与推广能力,使该算法更为实用．采用第二种方法,应用于四足步行机器人伺服系统的模糊控制,效果良好     

切削过程的位置误差补偿控制研究

本文作者运用经典控制论对切削过程的位置误差补偿控制进行了研究．接着，作者对神经网络理论中的标准反向传播算法BP作了改进并提出了IBP算法．基于IBP法，作者构造了一个用于切削过程位置误差补偿控制的多层前馈神经网络控制器，并作了仿真控制试验．研究结果表明：IBP法较标准BP法具有更快的迭代速度和收敛性质；所建的智能控制器虽然结构简单，但在误差补偿控制方面跟经典控制法相似具有一定的控制效果．     

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。     

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     

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.     

小脑神经网络反馈学习控制系统

小脑模型神经网络（ＣＭＡＣ）用作前馈控制器的结构对于含有丰富状态的轨迹跟踪问题，如机器人轨迹跟踪问题有较好的控制效果，但它对于参考值为方波或阶跃信号的跟踪问题却不太适合．为此，提出ＣＭＡＣ网络反馈控制器的方案，该方案克服了ＣＭＡＣ局部联想特性和前馈控制结构所固有的缺陷，对较恒定的设定值跟踪和抑制噪声都有较好的效果．最后，仿真实例说明了所提方案的有效性．     

基于神经网络的坐标测量机几何误差模型研究

分析了坐标测量机几何误差的几种常用模型，提出了基于神经网络的单项几何误差模型。由于坐标测量机几何误差变化规律复杂，采用一般的BP神经网络模型算法，速度慢且难以收敛。利用牛顿变形算法训练网络，加快了网络收敛速度，效果显著。通过与线性插值、多项式拟合法和神经网络逼近法的比较，可以明显看出用该神经网络算法的优越性。     

基于Elman神经网络的振镜扫描系统误差校正技术研究

为了消除激光快速成型机中振镜扫描系统的非线性扫描误差，以提高系统的扫描精度，提出了运用神经网络校正激光振镜扫描系统误差的方法．通过对BP神经网络、径向基神经网络和Elman神经网络3种不同网络的对比分析，运用Elman神经网络训练有限个标定坐标点的误差补偿值，构造全视场误差补偿曲面，然后对视场坐标进行校正补偿．通过实例分析，测试件在z、y方向的尺寸均方根误差由原来的0．2296mm、0．2107mm分别减小到0．0232mm和0．0265mm．实验结果表明，采用Elman神经网络构造振镜扫描系统误差补偿曲面，对振镜扫描系统进行动态误差校正，可以显著提高快速成型机的扫描精度．     

基于不同误差函数的神经网络求解线性方程组

对于同一线性方程,存在多种不同的求解方法,而且由于求解方法的不同,其收敛速度也存在差异.对一个一般的线性方程设计2个不同的误差函数,利用梯度下降法建立2个梯度神经网络模型.借助Matlab仿真软件进行计算机仿真,根据不同的梯度神经网络模型求出线性方程的解,从而证实2个梯度神经网络模型的可行性.最后借助Matlab软件模拟利用2个梯度神经网络模型求解线性方程时的收敛情况,比较2个梯度神经网络求解线性方程的收敛速度.     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．