基于CMAC神经网络的超磁致伸缩非线性控制

对于超磁致伸缩材料固有的迟滞非线性特性,本文提出一种基于小脑模型神经网络(CMAC)前馈逆补偿与PID相结合的复合控制方法。首先利用CMAC神经网络学习获得超磁致伸缩致动器(GMA)的迟滞逆模型进行补偿,再利用CMAC模型在线快速学习适应的能力,结合PID控制器降低跟踪控制时的误差和扰动,从而实现GMA的精密控制。通过MATLAB建立了CMAC前馈逆补偿控制器和CMAC-PID复合控制模型,最后通过仿真实验验证所提方法的有效性。结果表明,提出的利用CMAC神经网络逼近的迟滞模型具有令人满意的精度,在CMAC-PID复合控制方案的作用下,系统的期望位移与实际位移相对误差值最大值仅2.39%,平均相对误差值不到0.5%。说明该控制策略能适应控制对象的非线性变化,有效地提高GMA的跟踪精度。

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神经网络的康复机器人的智能控制技术

康复机器人是目前的热点方向之一.建立了五自由度上肢康复机器人的CMAC神经网络控制模型.在此模型基础上,通过对正常人肌电信号的训练学习,修正了网络的权值,得到了较为理想的控制模型.最后,通过病人的肌电信号,得到了良好的输出结果.仿真实例表明,CMAC方法比其他神经网络方法收敛快,学习精度高,且具有更好的网络泛化能力,可以用于五自由度上肢康复机器人的智能控制.

一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。

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.

基于HCMAC卡尔曼滤波器在组合导系统中的应用

针对经典卡尔曼滤波器要求组合导航系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性的问题,利用超闭球小脑神经网络(Hyperball Cerebellar Model Articulation Controller,HCMAC)良好的非线性逼近能力、泛化能力和自学习能力,设计HCMAC辅助卡尔曼滤波器,并应用于组合导航系统。仿真试验结果表明,该辅助算法与经典卡尔曼滤波算法相比较,精度提高了2倍,收敛时间缩短近200s,且有效地克服了传统神经网络学习速度慢、泛化能力弱的缺点,使系统具有自适应能力以应付动态环境的扰动,增强了组合导航系统的鲁棒性。

一种改进的B样条CMAC网络概念映射方法

针对CMAC网络在输入维数高、量化间距小、样本数量多的情况下导致虚拟存储空间过大的问题,提出一种改进的基于多维存储结构的B样条CMAC网络概念映射方法,无需增加虚拟空间到物理空间的hash映射,避免了地址碰撞问题,与其他映射方法相比,由于该方法只映射量化空间中少量的有规律的地址单元,使得该映射方法实际所需虚拟地址空间远小于其他方法,从而在存储空间受限情况下,可以显著提高网络的学习精度和泛化能力.仿真试验结果表明,在新的映射方法下,B样条CMAC比常规CMAC学习精度高,学习速度快,泛化能力强,对相同结构的B样条CMAC网络,新的映射方法在存储空间大小、学习能力和泛化能力等方面明显优于现有的其他方法.

基于CMAC网络强化学习的电梯群控调度

电梯群控调度是一类开放、动态、复杂系统的多目标优化问题.目前应用于群控电梯调度的算法主要有分区算法、基于搜索的算法、基于规则的算法和其他一些自适应的学习算法.但已有方法在顾客平均等待时间等目标上并不能够达到较好的优化性能.本文采用强化学习技术应用到电梯群控调度系统中,使用CMAC神经网络函数估计模块逼近强化学习的值函数,通过Q-学习算法来优化值函数,从而获得优化的电梯群控调度策略.通过仿真实验表明在下行高峰模式下,本文所提出的基于CMAC网络强化学习的群控电梯调度算法,能够有效地减少平均等待时间,提高电梯运行效率.

CMAC学习过程收敛性的研究

基于ＣＭＡＣ学习过程等价于求解线性方程组的Ｇａｕｓ－Ｓｅｉｄｅｌ迭代这一事实，研究了学习过程的收敛性．利用矩阵分析方法，估计出了收敛的速度．考虑了作为节省存储空间措施的ｈａｓｈ编码的不利影响——破坏了收敛性态．从理论上分析了其存在的原因．

一种基于CMAC的自学习控制器

现有的基于 CMAC的自学习控制器能够有效地减小跟踪误差 ,但是在跟踪连续变化信号如正弦波时 ,由于累积误差的影响会产生过学习现象 ,进而导致系统的不稳定 .为此 ,提出一种新的基于 CMAC的自学习控制器 ,它以系统的动态误差作为 CMAC的激励信号 ,从而避免了累积误差的影响 .仿真结果表明 ,该控制器不仅是有效的 ,而且具有很强的鲁棒性 .此外 ,它可以使用较高的学习速率 ,实时性强 .

基于CMAC-PID控制的柴油发电机组的建模与仿真

在分析柴油发电机组系统组成的基础上,建立了火电厂应急柴油发电机组在MATLAB/SIMULINK环境下的仿真模型,提出了应急柴油发电机组调速系统的CMAC-PID控制方案。对顺序投入负载时,机组的机械、电气性能作了仿真分析,结果表明CMAC-PID控制的应急柴油发电机组,转速瞬态调整率要比常规PID控制下小,稳定时间也短,显示了良好的动态特性。

小脑模型关节控制器(CMAC)理论及应用

CMAC神经网络因具有收敛速度快、泛化能力强、结构简单、易于软、硬件实现等特点 ,而得到广泛的应用。本文系统地综述了 CMAC神经网络的结构、算法、收敛性以及在控制中的应用。指出

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．

基于改进的CMAC神经网络与PID并行控制的研究

提出一种改进的CMAC神经网络控制算法,利用满打满算单元的先前学习次数作为可信度;将改进的CMAC与PID实现复合控制,由CMAC控制器实现前馈控制,PID控制实现反馈控制;仿真表明,改进算法的响应速度和精度有一定的改善。

基于聚类的超闭球CMAC混煤燃烧污染物析出软测量模型

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,基于模糊聚类提出一种改进的超闭球CMAC神经网络算法,用于电站锅炉混煤燃烧污染物析出软测量模型的建立。以电站锅炉实际运行工况的煤质特性数据和炉内燃烧条件为输入参数,通过软测量实现大型电站锅炉混煤燃烧硫、氮污染物生成浓度的精确预估和在线测量,用于指导电厂运行人员进行锅炉燃烧调整,以控制污染物的超标排放。与超闭球CMAC算法比较,提出的改进算法可以大大降低高维神经网络节点数并提高神经网络软测量精度,实验结果表明该方法的有效性和可行性。

基于CMAC神经网络的自适应渠道输水自动控制研究

介绍了小脑模型神经网络CMAC的原理及基于CMAC的自动控制方法。在渠道输水控制技术的基础上,依据CMAC神经网络学习速度快、能够表达复杂非线性关系、适合于适时控制的特点,提出了基于CMAC的渠道输水控制模型。仿真结果表明,基于CMAC的渠道输水控制,算法简单方便,具有实时性、稳定性和较强的鲁棒性,控制效果较为理想。

基于CMAC的带有未知负载干扰电液位置伺服系统的自学习控制

针对电液伺服系统的特点 ,提出了基于 CMAC神经网络非线性控制的结构和算法。对电液位置伺服系统的动态仿真表明 。

CMAC算法收敛性分析及泛化能力研究

利用矩阵理论和线性方程组迭代收敛的一般性原理 ,在不附加特殊条件的情况下 ,证明了CMAC算法在批量和增量两种学习方式下的收敛定理 ,对在关联矩阵正定条件下得出的结论进行推广和改进。在此基础上提出一种学习率自寻优的 CMAC改进算法 ,并提出一种简单可行的评价 CMAC网络整体泛化性能的指标。通过计算机仿真验证了收敛定理的正确性和改进算法的优越性 。

基于改进粒子群算法的PID-CMAC控制器设计

小脑关节模型网络具有计算简单、学习速度快等特点,设计PID和CMAC的复合控制器既能够发挥PID控制器鲁棒性强的特点,又能够利用CMAC学习获取的知识根据输入的变化快速地做出响应,并能够提高控制系统的抗干扰能力。本文采用改进的粒子群算法对PID的控制参数进行优化,并在此基础上设计了一种新型的PID-CMAC复合控制器,通过仿真试验表明,该控制策略能够提高整个系统的控制品质。