cmac神经网络模糊控制器设计

《cmac神经网络模糊控制器设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、CMAC神经网络模糊控制器设计

2、第1内容加载中...摘要：详细介绍了CMAC神经网络结构、中间层作用函数地址的计算方法、输出层权值的学习算法，并利用CMAC神经网络对水下机器人深度模糊控制器进行了学习。仿真结果表明，训练得到的CMAC神经控制器控制效果良好，中间层作用函数地址的计算方法正确。关键词：CMAC神经网络模糊控制水下机器人小脑模型关节控制器神经网络（CerebellaModelArticulationControllerNeuralNeteter）它规定了网络内部影响网络输出的区域大小。中间层

3、基函数的个数用P表示，泛化参数应满足ρ＜＜P。在中间层的基函数与输出层的网络输出之间通过若干个连接权进行连接，它是一个全连接，在网络训练阶段，可以通过梯度下降算法对权值进行调整。CMAC神经网络的设计主要包括输入空间的划分、输入层非线性映射的实现、输出层权值学习算法，下面给予详细介绍。1.1CMAC输入空间的划分设计CMAC神经网络的第一步是对输入空间的划分方法进行定义。设输入向量为500)this.style.ouseg(this)">且xi∈Ri,Ri为一有限区间，定义为：500)this.sty

4、le.ouseg(this)">对该区间进行如下分割：500)this.style.ouseg(this)">其中λi,j称为xi的第j个内节点。同样也可以定义xi的外节点：500)this.style.ouseg(this)">通常，所有左边的外节点均置于500)this.style.ouseg(this)">，所有右边的外节点均置于500)this.style.ouseg(this)">。若两节点在同一位置，则称该节点为重节点。所有这些节点将整个区间RI分为ri+1个子区间Rr,j(0≤j≤ri)：

5、500)this.style.ouseg(this)">对于任意输入ｘ它在每一个输入坐标轴的子区间号为500)this.style.ouseg(this)">内节点的选区办法可以是在区间[500)this.style.ouseg(this)">，500)this.style.ouseg(this)">]等间隔划分或是根据实际问题的需要非均匀划分，即在期望输出变化快的区域多划分，在期望输出变化慢的区域少划分。对输入空间的划分不仅影响网络的内存消耗，还影响网络的建模能力和学习收敛速度。1.2CMAC输入层

6、非线性映射的实现设计CMAC输入层非线性映射的目的是保证对任意一个输入，在中间层只有ρ个基函数的输出值为非零值，并且在输入沿某一输入坐标轴平行移动一个超立方体单元后，只有一个非零输出的基函数与原来的不同。而在输入沿某一坐标轴平行移动ρ个超立方体单元后，已无任何一个非零输出的基函数与原来相同，这样就保证了当输入相近时，输出也比较相近，当输入的距离较远时，相应的输出互不相关。并且，输出层权值的调整也是局部的，在每一次学习过程中只有ρ个权值发生调整，对两个相近的输入，只有少量的权值发生变化，而不影响大多数权值

7、，这样大大加快了网络学习速度，减少了学习干扰。当泛化参数ρ增大时，学习变得缺少局部特性，网络的建模能力通常也会下降。由于对任意一个输入向量x，只有ρ个中间层的基函数的输出非零，问题归结为找到这ρ个基函数在中间层ｐ维基函数向量a(t)中的地址。下面分别给出在输入为一维、二维和多维情况下的作用基函数的地址的计算方法。1.2.1一维输入的计算方法当n=1时，共有ρ个作用基函数输出非零，其中第j个作用基函数地址ad(j)的计算方法如下：500)this.style.ouseg(this)">其中500)this

8、.style.ouseg(this)">是第k个覆盖偏移向量500)this.style.ouseg(this)">的第一个分量500)this.style.ouseg(this)">=1,500)this.style.ouseg(this)">=2…500)this.style.ouseg(this)">=ρ。Ceil函数定义如下：500)this.style.ouseg(this)">为自然数1.2.2二维输入的计算方法当n=2时，ad（j）的计算方法如下：500)this.style.ouseg(

9、this)">1.2.3多维输入的计算方法当n＞2时，第j个作用基函数地址ad（j）的计算方法如下：500)this.style.ouseg(this)">1.3CMAC基函数的输出本文采用二进制CMAC神经网络，作用基函数的输出为1／ρ，这样CMAC网络作用基函数的输出和为500)this.style.ouseg(this)">1.4CMAC输出层权值学习算法本文采用带有输出死区的NLMS学习算法：500)this.style.ous