基于PCMAC⁃PID的全钒液流电池储能系统功率控制

为了提高全钒液流电池(Vanadium redox battery,VRB)储能系统功率控制的快速性,文中提出一种分段量化小脑模型神经网络(piecewise cerebella model articulation controller,PCMAC)与比例积分微分控制(proportion integral differential,PID)相结合的复合控制策略(PCMAC⁃PID),由PCMAC实现前馈控制,PID实现反馈控制。建立了VRB储能系统的数学模型,给出了复合控制器的结构及具体算法,最后通过仿真验证了复合控制策略的有效性。仿真结果表明,与PID算法相比,复合控制策略能更好地提高控制系统的响应速度且具有一定的鲁棒性。

神经计算中坐标变换的网络模型(CMAC)的泛化特性

在神经计算中神经网络的泛化特性是一个非常重要的内容．该文简述了小脑模型（ＣＭＡＣ——ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｅｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）的原理和学习算法，并用仿真方法讨论了在机器人使用的坐标变换关系（输入直角坐标值，输出机器手的关节角度）下ＣＭＡＣ的泛化性能：当泛化率为１∶１００时ＣＭＡＣ仍能正常工作．系统的精度虽能满足需要，但是进一步提高却受到限制．本文还讨论了影响精度的各种因素及可能的改进方法．

基于CMAC小脑神经网络的超磁致伸缩作动器高精度控制的仿真研究

为了补偿超磁致伸缩作动器(GMA)内在的滞回非线性提高其精度,将小脑神经网络(CMAC)前馈和PID反馈控制器相结合,提出了一种实时滞回补偿控制策略,以期实现GMA的高精度跟踪控制。由于CMAC神经网络不能够直接逼近滞回逆这种具有记忆性的多映射现象,通过引入一个滞回逆算子,将多映射的滞回逆转换成一一映射,然后运用CMAC神经网络控制器来逼近这个一一映射,从而建立一个基于CMAC神经网络的滞回逆模型。仿真结果表明该控制策略能适应GMA滞回特性随输入信号的变化,在线建立GMA的滞回逆模型,从而消除滞回非线性的影响,实现GMA的高精度控制。

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．

基于GA-FCMAC算法的船舶运动智能控制器

在研究模糊小脑模型神经网络控制器 (FCMAC)的基础上 ,本文提出了基于遗传算法学习的模糊小脑模型神经网络控制 (GA FCMAC)算法并应用于船舶运动控制。仿真结果表明该算法具有良好的控制性能。

基于CMAC的非线性逆滤波改善传感器的动态特性

在测量系统中许多传感器存在着严重的非线性静态特性和响应滞后的动态特性,当被测量对象的变化率高于传感器的响应速度时,测量结果与真值之间存在较大的误差.为了补偿这个测量误差,采用了一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去改善传感器的特性.IIR滤波器的系数通过实验数据得到,非线性静态环节采用单输入单输出小脑神经网络(SISO CMAC)实现.SISO CMAC具有学习简单、收敛速度快、函数逼近精度高等特点.最后,通过对热敏电阻动态测量误差的补偿,验证了该方法的有效性.

一种基于CMAC的图象恢复算法

由于影响成象和导致图象退化的因素具有模糊性和不确定性 ,很难准确地建立图象退化过程的数学模型 ,因而建立退化过程的逆过程图象恢复十分困难 .为了解决这一问题 ,提出了一种基于 CMC的图象恢复算法 ,该方法利用 CMAC神经网络的非线性映射和综合能力 ,通过对影响成象和导致图象退化的过程进行反向学习来恢复图象 .仿真结果表明 ,用 CMAC神经网络能很好地恢复出已退化的图象 ,并且神经网络模型与学习方法十分简单 ,便于实时图象恢复 .

改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络(IFCMAC),该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。

基于CMAC神经网络的永磁同步电机控制方法研究

将一种基于CMAC神经网络的PID控制器引入到永磁同步电动机交流调速系统中,取代传统的PMSM双环控制系统中的转速外环PI控制器。实验结果表明,运用该控制方法的系统响应快、超调小、鲁棒性好,较常规PI控制具有更好的动、静态性能。

PCA-CMAC based machine performance degradation assessment

A principal component analysis-cerebellar model articulation controller （PCA-CMAC） model is proposed for machine performance degradation assessment.PCA is used to feature selection,which eliminates the redundant information among the features from the sensor signals and reduces the dimension of the input to CMAC.CMAC is used to assess degradation states quantitatively based on its local generalization ability.The implementation of the model is presented and the model is applied in a drilling machine to assess the states of the cutting tool. The results show that the model can assess the wear states quantitatively based on the normal state of the cutting tool.The influence of the quantization parameter g and the generalization parameter r in the CMAC model on the assessment results is analyzed.If g is larger,the generalization ability is better,but the difference of degradation states is not obvious.If r is smaller,the different states are distinct,but memory requirements for storing the weights are larger.The principle for selecting two parameters is that the memory storing the weights should be small while the degradation states should be easily distinguished.

基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测

针对鸭蛋长期存储以及运输过程中造成的散黄问题,构建一种基于振动信息的鸭蛋散黄在线检测流水线,可实现鸭蛋的自动触压和随动检测。通过磁致伸缩振子对鸭蛋扫频振动进行音频信息增强,对音频振动信号进行集合经验模态分解,并通过主成分分析进行降维提取主要特征,基于此,构建基于小脑神经网络的鸭蛋散黄检测模型。试验中,对320枚鸭蛋进行检测(训练集200枚,测试集120枚),结果表明,基于累积贡献率达98.14%的前5个主成分的鸭蛋散黄检测模型训练集和测试集识别率分别达98.66%和97.03%,每枚鸭蛋在线检测时间约1 s。研究表明,所研制的检测流水线基于磁致伸缩振子扫频激励未知品质鸭蛋,再结合EEMD-CMAC进行鸭蛋散黄检测是可行的,可满足流水线在线检测的要求。

机器人视觉伺服中CMAC学习控制系统研究

根据小脑模型关联控制器(CMAC)收敛速度快,适于实时控制系统的特点,设计了一种基于CMAC学习控制方法的机器人视觉伺服系统。在该系统中,CMAC被用作前馈视觉控制器对常规反馈控制器进行补偿。所提出的CMAC控制器替代图像雅可比矩阵来获得目标图像特征和机器人关节运动之间2D/3D变换关系,通过其在线学习,可以使系统对摄像机标定误差不敏感,从而提高系统的鲁棒性。实验证明了所设计控制系统的有效性。

提高电动加载系统输出平滑的CMAC复合控制

CMAC(Cerebellar Model Articulation Controller)和PD(Proportional Derivative)复合控制算法有时因输出不平滑会引起加载电机抖动而影响控制效果.通过对该输出不平滑问题进行分析,提出了一种新的提高输出平滑性的改进CMAC复合控制算法,该方法通过新的权值更新公式,在权值更新时直接达到减小误差和提高输出平滑性的目的.仿真和实验结果表明:改进后的算法能够有效提高输出平滑性,降低了21%的稳态误差,且保证在加载时有良好的稳定性和抗干扰能力.

CMAC辨识的CMYK到CIE L*a*b颜色空间转换模型的研究

为了解决设备相关颜色空间CMYK与设备无关颜色空间之间的相互转换问题,利用小脑模型神经网络(cerebellar model articulation controller,CMAC)高度非线性拟合能力,研究CMYK颜色空间与CIE L*a*b*之间的转换关系,研究结果显示该方法具有结构简单,易于软件和硬件的实现,将IT8.7/3标准色靶文件中104个专业色块值作为检验样本,检验样本的平均色差为1.6,完全适用于两种不同颜色空间之间的转换过程.

基于CMAC的船舶操舵系统负载模拟器复合控制

利用键合图建模与仿真方法 ,建立了某船舶操舵系统负载模拟器与操舵系统联动的扩展键合图模型 .针对多余力严重影响施力系统动态加载性能的特点 ,提出了基于 CMAC神经网络的复合控制来提高施力系统的动态加载性能 ,并给出了具体的控制结构和算法 .通过对系统的动态仿真表明 。

基于CMAC的图像融合快速算法

提出了一种基于CMAC数据融合模型的复杂智能图像融合快速算法。将多源传感器图像配准后的各源图像按相同标准分解成若干个J×J区域,通过量化编码,概念映射到关联存储空间的存储单元区域中,再用hash编码技术实际映射到权重存储空间进行压缩,经过CMAC网络的迭代训练,得到CMAC图像融合结果。设计多聚焦图像的模型仿真实验,将CMAC图像融合方法、加权平均图像融合方法、像素灰度值选大图像融合方法以及像素灰度值选小图像融合方法进行了定性与定量的比较与分析。实验结果表明:CMAC图像融合方法比其它方法能更有效地逼近真实的融合模型,其均方根误差分别只有其它3种方法的30.4%、22.2%和20.9%,且具有实时性的优点。

智能假腿的CMAC控制与实例仿真

针对智能假腿系统模型的非线性与参数的不确定性等系统特性,提出了一种基于小脑模型神经网络控制器(CMAC)的假腿实时智能控制方法。该方法首先根据一种自制的假肢膝关节自适应结构,建立了智能假腿摆动相动力学数学模型,以描述智能假腿膝关节阻尼器控制参数与摆动运动参数之间的直接耦合关系。以此动力学模型为控制对象,设计了一种基于PD-CMAC的假腿系统智能控制器,并进行了实例仿真。仿真结果表明,假腿膝关节可以很快(约在0.5s时间内)跟踪好目标曲线,具有良好的实时性与精度;此外,膝关节阻尼器针阀开口位置与相应的假腿膝关节的角速度变化具有明显的负相关性;可以通过对假腿阻尼器针阀开口位置的调节,达到假腿跟踪健康腿摆动步态的目的。

电液速度伺服系统的 CMAC-1 积分控制

本文提出了一种电液速度伺服系统ＣＭＡＣ—１（积分）神经网络控制算法，仿真及实验研究表明算法用于变轨迹速度跟踪控制具有良好的泛化能力，且对于交变外负载干扰具有良好的鲁棒性。

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题 ,结合多移动机器人协调避障路径规划实际应用 ,用非均匀模糊分割方法将状态空间分解成模糊子空间 ,相应地将小脑模型连接控制器网络 ( Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊 CMAC( FuzzyCMAC,FCMAC)函数逼近器 ,并将 FCMAC函数逼近器置入滞后更新多步 Q( Postphoned- Up-dating Multi- Step Q- learning,PUMSQ)学习算法 ,提出 FCMAC- PUMSQ学习算法 .仿真实验证明 ,该算法有效且有较好的鲁棒性 。

双层混合隔振系统的CMAC和PID复合控制研究

为了提高双层被动隔振系统隔离低频结构噪声的效果,采用混合隔振思想,将小脑模型神经网络(cerebellar model articulation controller,CMAC)理论与PID控制算法相结合,设计了双层混合隔振系统CMAC与PID复合控制器,仿真分析了双层混合隔振系统在不同低频正弦激励信号下的加速度和加速度功率谱。仿真结果表明,采用CMAC与PID复合控制的双层混合隔振系统的隔振效果要优于被动双层隔振系统的隔振效果。