超闭球CMAC的性能分析及多CMAC结构

如何选择合适网络参数是传统CMAC(Cerebellar Model Articulation Controller)应用 中的一个难题.采用泛化均方差(GMSE)和学习均方差(LMSE)来分别评价超闭球CMAC的泛 化能力与记忆精度,并引入权调整率的概念,来研究CMAC结构参数与学习性能的关系.研究 结果表明,在样本分布和量化级数不变时,泛化均方差和学习均方差是权调整率的非增函数.因 此超闭球CMAC在满足存储空间和计算速度的要求下尽量使得权调整率较大.还提出了并行 CMAC结构以进一步提高单个超闭球CMAC的非线性逼近能力.仿真结果证明了该方法的有 效性.     

基于聚类的超闭球算法短期风速预测研究

具有较高精度的超短期风速预测有着重要的作用,它对建立和保障并网运行风电场风电功率预测预报系统有着举足轻重的作用.但是,由于风速的影响因素较多,且存在着巨大的波动性、随机性,以及较高的自相关性.这些因素,极大地影响了传统的风速预测方法.因此,探究一种短期风速预测方法是十分必要的,此方法以聚类的小脑超闭球算法为基础,此超闭球方法,对减少数据输入的地址碰撞有着很好的作用,提高了学习速度,另通过模糊聚类对输入数据确定节点数和节点值,提高了学习精度.仿真结果证明基于聚类的小脑超闭球网络相比应用较为成熟的BP神经网络等能很好地预测未来1h风速.     

提高小脑模型神经网络精度的算法及仿真应用

CMAC(cerebella model articulation controller)神经网络的局部结构使得学习非线性函数更快.然而,在许多应用领域,CMAC的学习精度不能满足应用要求.该文提出了一种改进CMAC学习精度的联想插补算法,同时给出了一个仿真实验.其结果表明,使用此算法,改进的CMAC的学习精度比改进前提高了10倍,学习收敛也更快.     

模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑 模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维 Fuzzy CMAC算法,仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点:学习收敛 速度快得多,可以学习模糊规则.Fuzzy CMAC比CMAC优越,使CMAC成为Fuzzy CMAC 的特例.     

FUZZY CMAC NEURAL NETWORK ZHOU XUDONG

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维Fuzzy CMAC算法，仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点学习收敛速度快得多，可以学习模糊规则. Fuzzy CMAC比CMAC优越，使CMAC成为Fuzzy CMAC的特例.     

关于广义模糊CMAC学习收敛性的理论结果

提出了广义模糊CMAC(cerebellar model articu lation controller)神经网络,并导出了其学习的充分条件.最后,证明了广义模糊CMAC在 平方误差意义下的学习收敛性.研究结果为广义模糊CMAC的广泛应用提供了基础.     

改进的小脑控制神经网络算法研究

研究小脑控制器神经网络(CMAC)在模式识别中的应用问题.在算法优化过程中,针对模式识别中训练样本中存在着高维、大量冗余信息而传统CMAC不能够对输入信息空间维数降低,从而常导致CMAC网络训练速度慢、识别率低等问题.为了加快CMAC学习速度,提高识别率,提出一种基于粗糙集(RS)的CMAC模式识别方法(RS_CMAC).利用粗糙集约简并删除训练样本中的冗余信息,降低样本的维数,从而优化网络的结构;同时网络中引入了自适应动态学习率,加快网络的收敛速度和学习速度,从而提高识别率.以数码管模式识别为例对算法进行了验证性实验,仿真结果表明,与传统CMAC相比.识别精度有了明显提高,学习速度加快.RS_CMAC方法克服了传统CMAC缺点和不足,是一种有效的模式识别方法,为实际应用提供依据.     

新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性

基于J.F.Baldwin等人提出的mass-assignment理论,提出了新的基于mass-assignment的模糊CMAC神经网络,接着研究了其学习规则.理论研究结果揭示出,此新模糊CMAC是一个全局逼近器,并且具有学习收敛性.故此新模糊CMAC有非常重要的应用潜力.     

CMAC最优设计及其算法——GA技术优化CMAC偏移矢量分布

采用GA(Genetic Algorithm)技术实现CMAC(cerebellar Model Articulation Controller)最优设计及算法.该方法解决了CMAC与其学习对象的整体优化问题,具有理论 意义和实用价值.仿真结果证明该方法是成功的和有效的.对不同的客观对象(如空间曲面), 可以采用GA技术找到CMAc的最优内部表示(偏移矢量分布),实现一般CMAC难以达到 的精度.该方法比Albus的CMAC和Parks等的CMAC学习效果都有不同程度的提高,适 合于要求高精度学习的情况.同时给出了任意偏移矢量分布的CMAC算法.     

基于变尺度编码CMAC的增强学习控制器及其应用

研究了一种基于变尺度编码CMAC神经网络的增强学习控制器设计方法,并应用于以自行车平衡为模型的非线性随机系统的学习控制中.该方法通过对Markov决策过程状态空间的变尺度重叠量化编码,实现基于CMAC的多分辨率值函数逼近,从而有效地提高了增强学习控制器对连续状态空间马氏决策问题的泛化性能.针对自行车学习控制的仿真研究表明,采用变尺度编码CMAC进行值函数逼近的增强学习控制器能够获得优于已有表格型方法和均匀编码CMAC方法的学习效率和泛化性能.     

基于FPGA的2-D模糊CMAC网络的硬件实现

提出了二维模糊CMAC网络的一种基于FPGA的硬件实现方法.首先,分析了模糊CMAC网络的结构与算法,并以Matlab仿真为依据,得到模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络.测试结果表明:该模糊CMAC网络硬件实现具有速度快、精度高的特点,且占用较少的硬件资源,是SOPC中实现模糊CMAC网络模块的一种有效方法.     

基于FPGA的模糊CMAC网络的硬件实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法。首先,分析了模糊CMAC网络的结构与算法,并以MAT-LAB仿真为依据,得到模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络。测试结果表明:该模糊CMAC网络硬件实现具有速度快、精度高的特点,且占用较少的硬件资源,是SOPC中实现模糊CMAC网络模块的一种有效方法。     

基于RBF辨识的CMAC在淀粉生产线中的控制研究

针对淀粉生产线中淀粉乳罐的液位控制精度问题,本文在分析了CMAC神经网络、单神经元和RBF辨识工作原理的基础上,设计了基于RBF辨识的自适应CMAC神经网络控制器调节淀粉生产线中乳液的液位。对自适应CMAC神经网络和基于RBF辨识的CMAC两种控制器进行了设计与仿真。防真结果表明,基于BRF辨识的自适应CMAC具有更好的跟踪效果和较快的响应速度,该系统具有很大的应用价值,不仅可以应用于淀粉生产线而且也为工业控制提供了更为精确的控制。     

Hierarchically clustered adaptive quantization CMAC and its learning convergence.

The cerebellar model articulation controller (CMAC) neural network (NN) is a well-established computational model of the human cerebellum. Nevertheless, there are two major drawbacks associated with the uniform quantization scheme of the CMAC network. They are the following: (1) a constant output resolution associated with the entire input space and (2) the generalization-accuracy dilemma. Moreover, the size of the CMAC network is an exponential function of the number of inputs. Depending on the characteristics of the training data, only a small percentage of the entire set of CMAC memory cells is utilized. Therefore, the efficient utilization of the CMAC memory is a crucial issue. One approach is to quantize the input space nonuniformly. For existing nonuniformly quantized CMAC systems, there is a tradeoff between memory efficiency and computational complexity. Inspired by the underlying organizational mechanism of the human brain, this paper presents a novel CMAC architecture named hierarchically clustered adaptive quantization CMAC (HCAQ-CMAC). HCAQ-CMAC employs hierarchical clustering for the nonuniform quantization of the input space to identify significant input segments and subsequently allocating more memory cells to these regions. The stability of the HCAQ-CMAC network is theoretically guaranteed by the proof of its learning convergence. The performance of the proposed network is subsequently benchmarked against the original CMAC network, as well as two other existing CMAC variants on two real-life applications, namely, automated control of car maneuver and modeling of the human blood glucose dynamics. The experimental results have demonstrated that the HCAQ-CMAC network offers an efficient memory allocation scheme and improves the generalization and accuracy of the network output to achieve better or comparable performances with smaller memory usages. Index Terms-Cerebellar model articulation controller (CMAC), hierarchical clustering, hierarchically clustered adaptive quantization CMAC (HCAQ-CMAC), learning convergence, nonuniform quantization.     

模糊CMAC网络的FPGA实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法,首先,给出了模糊CMAC网络的模型及其算法,通过MATLAB仿真获取了模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络;测试结果表明:该模糊CMAC网络的FPGA实现方法是可行的,硬件化后的网络具有速度快、精度高、占用器件资源少的特点,是SOPC中实现模糊CMAC网络模块的一种有效方法.     

Self-Organizing CMAC Control for a Class of MIMO Uncertain Nonlinear Systems

This paper presents a self-organizing control system based on cerebellar model articulation controller (CMAC) for a class of multiple-input-multiple-output (MIMO) uncertain nonlinear systems. The proposed control system merges a CMAC and sliding-mode control (SMC), so the input space dimension of CMAC can be simplified. The structure of CMAC will be self-organized; that is, the layers of CMAC will grow or prune systematically and their receptive functions can be automatically adjusted. The control system consists of a self-organizing CMAC (SOCM) and a robust controller. SOCM containing a CMAC uncertainty observer is used as the principal controller and the robust controller is designed to dispel the effect of approximation error. The gradient-descent method is used to online tune the parameters of CMAC and the Lyapunov function is applied to guarantee the stability of the system. A simulation study of inverted double pendulums system and an experimental result of linear ultrasonic motor motion control show that favorable tracking performance can be achieved by using the proposed control system.     

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.     

Integration of CMAC technique and weighted regression for efficientlearning and output differentiability

Cerebellar model articulation controllers (CMAC) have attractive properties of learning convergence and speed. Many studies have used CMAC in learning control and demonstrated successful results. However, due to the fact that CMAC is a table lookup technique, a model implemented by a CMAC does not provide a derivative of its output. This is an inconvenience when using CMAC in learning structures that require such derivatives. This paper presents a new scheme that integrates the CMAC addressing technique with weighted regression to resolve this problem. Derivatives exist everywhere except on the boundaries of quantized regions. Compared with the conventional CMAC, the new scheme requires the same amount of memory and has similar learning speed, but provides output differentiability and more precise output. Compared with the typical weighted regression technique, the new scheme offers an efficient way to organize and utilize collected information.     

非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.