最新(ppt)-第十一章小脑模型（cmac神经网络-药学医学精品资料.ppt

《最新(ppt)-第十一章小脑模型（cmac神经网络-药学医学精品资料.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、最新(PPT)-第十一章小脑模型（CMAC）神经网络-药学医学精品资料第十一章小脑模型（CMAC）神经网络CMAC网络的基本思想与结构模型CMAC网络的工作原理CMAC算法的程序语言描述CMAC网络的泛化能力CMAC网络的几个问题仿真示例生物学研究表明，人脑在人体运动中起到维持躯体平衡、调节肌肉紧张程度、协调随意运动等功能。因此，模拟人的小脑结构与功能无疑是脑的宏观结构功能模拟的重要组成部分。早在1975年，Albus便根据神经生理学小脑皮层结构特点提出的一种小脑模型关联控制器(CerebellarModelArt

2、iculationController)，简称CMAC网络。经过多年的研究，其中包括Miller,Parks和Wong等人的杰出工作，目前CMAC已得到人们越来越多的重视。CMAC是一种局部逼近网络，算法基于LMS(最小均方)，学习速度快，具有局域泛化(generalization)能力，避免了BP网络的局部最优问题，且易于硬件实现。这些优点使得CMAC网络非常适合用于复杂系统的建模和快速辨识。11-1CMAC网络的基本思想与结构模型11-2-1概念映射（U——>AC）yAC＋U输入空间杂散编码AP(W)输出输入向量

3、图2-7-1CMAC结构11-2-2实际映射（AC——>AP）11-2-3.杂散存储若输入是n维，每一维有q个量化级，则AC占很大容量。但是，训练样本不可能遍历所有输入空间，在C中被激励的单元是很稀疏的。杂散存储：可将AC压缩到较小的AP中。有多种方法，“除余数法”是其中较好的一种。杂散存储弱点：产生碰撞(冲突)即AC中多个联想单元，被映射到AP的同一单元(见图)，这意味着信息的丢失。（c）邻近两点输入重叠单元=3,有碰撞（b）邻近两点输入重叠单元=3,无碰撞那么CMAC是怎样实现上述各种映射的？碰撞的原因？下面通过

4、一个具体示例来说明（见板书）。11-3CMAC算法及程序语言描述11-3-1学习算法CMAC为有导师的学习算法。设单输出，给定输入/输出样本对（导师信号）：udPp/，Lp,,2,1L=。由d规则调整权值：DwtdytsjppjpP()(())([])=-huR2其中RuPjjcpsc221===å([])将2PR代入得Dwtdytcetcjppp()(())()=-=hh可见：c个单元权值的调整量是相同的。11-3-2学习算法分析CMAC的学习算法与自适应线性神经元的相同。但，因有重叠、碰撞，故对学习算法及收敛性，

5、需予以分析（讨论单输出）。分析算法Gauss-Seidel迭代法;Jacobi迭代法分析情况、结论（1）输入样本有重叠，杂散编码无碰撞若重叠少，解收敛（2）输入样本有重叠，杂散编码有碰撞因碰撞，收敛速度降低、收敛性态变坏、也可能不收敛11-3CMAC算法及程序语言描述0次接收域函数例（b）邻近两点输入重叠单元=3,无碰撞（a）一维c=4c=41（c）邻近两点输入重叠单元=3,有碰撞11-3CMAC算法及程序语言描述11-4CMAC网络的泛化能力最早进行泛化理论研究的是Amaril，他认为泛化是将输入集中样本点的给定邻

6、域映射到输出集中映射点(与样本点对应)的某一邻域。由此可见，泛化能力除了由精度决定外，还取决于映射方式和输入的量化级。所以多层感知器的泛化能力是极其有限的，实践也证明了这点。而CMAC神经网络是在对小脑进行神经解剖生理学研究的基础上提出的，它被证明具有局域泛化能力。CMAC网络中，若两个输入向量相距较近，则它们所触发的神经元有重叠，距离越近，重叠越多；若两个输入向量相距较远，则它们触发的神经元没有重叠。因此CMAC网络具有局域泛化能力，它的泛化能力源自于它的网络结构本身。影响CMAC泛化精度的主要因素有:训练精度、泛

7、化常数和样本点的选择，但其结论还显得相对简单。11-4-1CMAC网络泛化指标11-4CMAC网络的泛化能力对于一个神经网络来说，泛化能力越强，意味着经样本点训练后，对于样本点附近非样本点(即测试点)的输入，网络输出与期望输出间的误差越小。设测试点序列,对应的期望输出为。CMAC输出为,则可用测试点的误差平方和：作为指标，来衡量网络整体泛化性能的优越。越小，则意味着网络泛化能力越强。11-4CMAC网络的泛化能力11-4-2CMAC参数对网络性能的影响CMAC网络的结构本身保证了对于训练样本点邻域内的测试点具有一定的

8、泛化能力。在训练样本采样精度不变的条件下，量化精度越高，CMAC网络整体泛化性能越好，但随着量化精度的提高，CMAC学习收敛要求的最小泛化常数值随之增大。在训练样本采样精度和网络量化精度保持不变的条件下，在一定范围内，泛化常数的增加可以提高CMAC网络整体的泛化性能，但当泛化常数增大到一定程度后，它的变化不再影响网络泛化性能。在训练样本采样精度