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。

基于小脑模型的广义预测控制快速算法

从状态空间的角度推导出广义预测控制算法,并利用小脑模型(CMAC)提出了一种新型广义预测控制快速算法,解决了传统GPC算法计算量大的问题.仿真结果表明该算法的有效性.

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．

基于高斯基的广义CMAC在机器人轨迹跟踪控制中的应用

介绍了基于高斯基的广义小脑模型关节控制器(CMAC)的快速算法,实现CMAC学习速率的自适应模糊调整,使其能根据控制系统的动态特性优化CMAC的学习控制,以适应控制系统工况的变化和不确定因素的干扰,并把它与自适应神经元PID控制器相结合实现前馈反馈复合控制,避免了控制器的输出产生振荡或进入饱和状态,增强了系统的鲁棒性.仿真结果表明:这种控制方案能够准确的实现系统的高精度实时位置跟踪和力的控制.

基于广义模糊CMAC的强化学习算法

针对传统的小脑模型,提出了一种广义模糊小脑模型神经网络(GFCMAC)。它采用模糊隶属度函数作为接收域函数,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,具有计算量少,学习效率高等优点。研究了GFCMAC接收域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。结合强化学习,提出了一种基于GFCAMC的强化学习算法,讨论了其实现过程。应用于船舶航向控制的仿真结果表明,在有各种风浪干扰下,船舶航向跟踪快且操舵动作合理,适合船舶转向控制要求。

一种基于浮点数编码遗传算法的CMAC控制仿真研究

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)。将GFAC神经网络用于控制系统中,并利用浮点数编码的遗传算法(FGA)对参数寻优,给出一种FGA-GFAC控制器。应用于船舶航向控制的仿真结果表明,当存在风浪干扰海况下,船舶航向的控制取得令人满意的效果。