一种基于CMAC神经网络的模糊控制器设计.pdf

《一种基于CMAC神经网络的模糊控制器设计.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、旦盈盛墨旦仪器仪表用户doi：10．3969／j．issn．1671—1041．2010．O1．008一种基于CMAC神经网络的模糊控制器设计冯超，李兵(河北理工大学计算机与控制学院，唐山063009)摘要：对于存在外在的环境干扰和系统参数时变的非线性系统来说，=∑()传统的小脑模型需要重瓤学习合适的权重参数，这种学习式的设计方：1法是相当耗时的。为了改善这种情况。本文提出了模糊控制与小脑模型式中，()为维二进制关联向量，表示连接第个关联单结台的方式，能够有效地对未知的非线性模型系统进行实时控制。通元到第k个输出的权重。过仿真鲥对比

2、试验，这种把小脑神经网络与模糊控制结合起来的控制从一定意义上说，CMAC与模糊逻辑不但可以相互补充，方法，具有两种控制方法的优点。仿真结果表明，FCMAC控制器具有而且也是可以相互融合的。首先，利用连接主义表达的模糊逻较高的控制精度、良好的自适应特性。辑控制器，必然引入学习机制，也会带来两者结合的诸多优点，关键词：小脑模型控制器；模糊控制；非线性系统如存储容量减少，泛化能力增加，以及连接主义结构的容错性中图分类号：TP273文献标识码：A等。其次，在CMAC的分布表达中，一个值由散布于许多计算单Fuzzycontrollerdesi

3、gnbasedO11aCMAC元的活性模式表示，每个计算单元又涉及许多不同值的表达，neuralnetwork因此每个计算单元都有一个感受野(Receptivefield)，即它表达所有值的集合，这相当于每个计算单元都对应一个模糊集FENGChao．LIBing合，或者说感受野相当于隶属函数。这正是它们能够结合的一(CollegeofComputerandAutomaticControl，Hebei个基础。从计算的角度来看，CMAC中输入向量到关联存储空PolytechnicUniversity，Tangshan063009，Chi

4、na)间的映射与模糊算法中计算的匹配度相对应，且计算权重之Abstract：Withregardtononliearsystemwhichcontainenemalenvi-和得出CMAC的输出与模糊算法中清晰化相对应。∞nmentalinterferenceandtime-varyingsystemparameters。thetra-在传统CMAC中第．个输入激活C个相连的小区域，这CditionaICMACneedt0re-studytheweightoftheappropriateparam—个相连的小区域内容为1，而其它小区

5、域的内容为0，即eters，thisstudydesignisverytime—consuming．Inthisthesis，ano‘，1．．一．，』velapproachofcompoundfuzzycontroIandcerebellarmodelarticu·∥=(，。)={L(2)O／．t∥Iationcontroller(CMAC)cansolvethetrackingproblemofaclassofnonlinearsystems．ThroughsimulationcomparativetriaI。thiscom-式中

6、，肛是输入，∥是激活的区域，是这些区域的中心。关联poundcontroUerpossessestheadvantagesofthetwocontrolmeth-向量。为odsThesimulationresultsreveaIthatFCMACiscapabletOguaran—。()=(，，⋯，)(3)teethesystemstabilityanderrorconvergenceandmakegoodper-与模糊算法中的匹配向量相类似，唯一区别就是前者用清晰formance．的隶属函数，后者采用模糊隶属函数J。Keyword

7、s：CMAC；fuzzycontrol；nonlinearsystem2FCMAC的实时自学习O引言对于模糊化CMAC(FCMAC)，参考矢量需事先确定，所小脑模型神经网络控制器(CerebellarModelArticulation以必须引入学习机制来学习∥及FCMAC中的其它参数，包括Controller，CMAC)具有处理非线性，自学习，一定的泛化能力关联存储区域个数Ⅳ，参考矢量∥，权重矢量7r，均应实时得到，和学习速度快等优点”。CMAC网络由输入层、中间层和输即FCMAC的结构和控制规则都是通过自学习得到的。若给定出层组成

8、，CMAC神经网络的设计主要包括输入空间的划分、泛化宽度，可把整个输入空间分成Ⅳ个子空间，每个小子空输入层至输出层非线性映射的实现及输出层权值学习的算间都用∥来表示。本文用竞争学习的方法，以一个选择判断来法J。虽然小脑的学习机制已经成