基于离散泰勒级数的新型联想记忆系统

基于离散泰勒级数提出一种对任意阶多维函数可实现无差逼近的新型联想记忆系统,详细讨论了该系统的插值算法、训练规则及寻址机制.新型联想记忆系统相对于CMAC具有逼近精度更高、占用存储单元较少、学习速度较快等优点.该系统在信号处理、模式识别、过程建模及高精度实时智能控制等领域具有广泛的应用价值.仿真实例表明了系统的可行性与有效性.

基于新型CMAC神经网络的复杂系统控制

首先基于离散泰勒级数设计了一种可实现对任意阶多维函数无差逼近的新型CMAC神经网络,给出了其插值算法及训练算法。该系统相对于传统的CMAC神经网络具有学习精度高、收敛速度快、所需内存单元少等优点。并基于新型CMAC神经网络设计了一种复杂系统的高性能实时控制策略。该方案不依赖于系统的数学模型,具有较强的鲁棒性和通用性,仿真结果表明了该方案的可行性与有效性。

基于新型联想记忆系统的机器人分布式智能控制

基于离散泰勒级数提出一种对多维函数可实现任意阶逼近的新型CMAC神经网络———DTS CMAC ,详细讨论了该系统的插值算法、训练规则 ,与传统CMAC相比 ,DTS CMAC具有学习精度高、学习速度快及占用存储单元少等优点。基于DTS CMAC设计了一种高性能的机械手轨迹跟踪分布式智能控制方案 ,并以肘关节为例 ,设计了机械手关节转矩控制器 。