双向规划小脑模型神经网络CMAC学习控制

CMAC小脑模型是模拟人小脑的一种学习结构。以往CMAC方法为单向规划方法,为改善CMAC学习控制效果。

小脑模型CMAC网络结构及有关参数的确定

从映射的角度分析了CMAC模型各层神经元之间的关系，根据网络输入向量的量化级数、泛化参数、相邻量化级引起的重叠神经元的个数，从理论上给出了虚拟层神经元数目的范围。对于存在实际层神经元的CMAC模型，讨论了压缩映射对网络学习收敛性的影响。最后通过机器手逆运动学问题的仿真实验，进一步比较说明了在从虚拟层神经元到实际层神经元的压缩映射中不同压缩比对网络学习收敛性及系统运行精度的影响。

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．

小脑模型神经网络改进算法的研究

该文介绍了小脑模型神经网络的基本原理，在分析Ａｌｂｕｓ［１］算法的基础上，指出了该算法在批量学习时的缺陷．针对批量学习提出了相应的改进算法，并证明了该算法的收敛性，仿真结果表明了该改进算法具有收敛速度快的特点．

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（ＦｕｚｚｙＣＭＡＣ），它比小脑模型ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）能更真实地描述客观世界．给出ｎ维ＦｕｚｚｙＣＭＡＣ算法，仿真结果表明ＦｕｚｙＣＭＡＣ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．ＦｕｚｙＣＭＡＣ比ＣＭＡＣ优越，使ＣＭＡＣ成为ＦｕｚｚｙＣＭＡＣ的特例．

小脑模型神经网络控制器在天线跟踪指向控制中的应用

分析了天线跟踪指向控制系统的特点和影响系统跟踪性能的主要因素,建立了系统数学模型。根据系统特点,给出了小脑模型神经网络控制器(CMAC)和PID相结合的复合自适应控制方法的设计过程,并分析了该算法适用于天线跟踪指向控制系统的优势。该方法利用传统的PID控制,结合CMAC神经网络算法的快速自学习、精确逼近的优点,既满足了天线跟踪指向控制系统快速实时跟踪的要求,又提高了跟踪精度和跟踪平稳性。仿真结果表明,该方法对摩擦力矩有很好的抑制作用,跟踪精度较单独采用PID控制提高一个数量级,且输出稳定,具有较强的鲁棒性。

基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellarmodelarticulationcontroller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.

机器人柔顺装配夹具的双小脑模型神经网络控制系统

介绍了一种新型的机器人柔顺装配夹具及其装配系统。设计了由装配力信号为输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络CMAC2并行叠加构成的双CMAC神经网络控制器 ,前者作为前馈控制 ,后者当夹具刚启动时为前馈控制 ,装配开始后转为反馈控制。双CMAC神经网络控制器具有存储容量少、系统较稳定、能减少系统误差影响、装配力小等优点。

基于新型CMAC神经网路的不确定性机器人鲁棒控制

基于文 [1 ]所给的新型 CMAC神经网络提出了一种机器人鲁棒控制策略 ,给出了新的网络权系数修正律 ,利用 Lyapunov稳定性理论得出了系统稳定性充分条件 。

自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

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。

一种CMAC网络模型及其在机器人控制中的应用

小脑模型关节控制器(CMAC)具有学习算法简单、在线学习速度快的优点，非常适于机器人等复杂系 统的自适应控制．本文阐述了 CMAC 的原理，证明了其收敛性，提出了一种适合于机器人轨迹跟踪控制的 CMAC，并给出了仿真实验结果．

基于高斯基函数CMAC神经网络的发电机故障诊断方法

提出一种基于高斯基函数小脑模型神经网络(CMAC)的汽轮发电机故障诊断新方法,为了达到更高的精度和更好的泛化能力,该方法以高斯函数作为CMAC神经网络的基函数,针对发电机的机电耦合特性,将发电机机电综合特征作为神经网络的训练样本输入,经MATLAB仿真得到了完全正确的诊断结果,收敛速度快,精度高,可以满足在线监控的要求。通过比较学习率和泛化常数取值不同时CMAC网络的训练结果,分析了学习率和泛化常数对该网络的影响。

基于CMAC的位置伺服系统神经元离散滑模控制

针对数控机床位置伺服系统参数不确定及存在外界干扰的特点,将小脑模型关节控制器(CMAC)与滑模控制相结合,设计了基于CMAC的神经元离散滑模制系统及其控制算法。仿真结果表明,该控制方法不但大大降低了普通滑模变结构控制中的抖振,而且具有良好的动静态特性及较强的鲁棒性。

推土机工作装置CMAC神经网络控制

在分析以往推土机工作装置控制方法的基础上 ,引入小脑模型 (CMAC)神经网络控制技术 ,把调整手柄位置 C和发动机输出转速 n以及油门开度 a作为控制器的输入 ,工作装置扭矩作为输出 ,实现了神经网络控制器对推土机工作装置的控制。经试验 ,在阶跃激励信号输入时 ,这种小脑模型 (CMAC)神经网络控制器具有学习速率高和结构简单等特点 ,可使工作装置稳态精度达± 1mm ,效果十分明显。

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。

基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模型连接控制CMAC理论,提出训练时间短、精度高的CMAC模糊神经网络方法,给出了网络结构、算法,并通过一个维修经费预测实例讲述了这种算法.

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。

基于CMAC的双足步行机器人逆运动学控制

针对双足步行机器人(Biped Walking Robot)腿部逆运动学模型求解问题,采用一种基于CMAC神经网络的机器人逆运动学控制方法,设计CMAC神经网络控制系统。控制系统采用2个CMAC神经网络控制器分别用来逼近步行机器人支撑腿与摆动腿的逆模型,跟踪通过三维线性倒立摆模型生成的给定腰部轨迹。建立步行机器人正运动学模型来调整CMAC神经网络权值,实现了步行器人腿部逆运动学映射。仿真结果表明,CMAC神经网络控制系统可以在保证机器人位姿良好的情况下跟踪给定的参考轨迹。三维运动学仿真结果进一步验证了控制算法的有效性。

基于CMAC的PID控制在液位控制中的研究与仿真

随着工业的发展,对液位控制系统的性能提出了更高的要求,同时要求系统在较恶劣的环境下有较强的适应能力。针对工业过程的非线性、不确定性等特点,介绍了小脑模型神经网络(CMAC)的原理及基于与PID的并行控制设计,以及该设计在液位控制中的应用,并对该设计在MATLAB下进行了仿真,得到了较好的控制效果。