第8章智能控制理论.pptVIP

其中α、β为学习速率。第30页，共66页，星期日，2025年，2月5日8.2.3仿真实例使用混合型pi-sigma神经网络逼近对象：混合型pi-sigma神经网络逼近程序见chap8_2.m第31页，共66页，星期日，2025年，2月5日8.3小脑模型神经网络8.3.?1CMAC概述?小脑模型神经网络（CMAC-CerebellarModelArticulationController）是一种表达复杂非线性函数的表格查询型自适应神经网络，该网络可通过学习算法改变表格的内容，具有信息分类存储的能力。第32页，共66页，星期日，2025年，2月5日CMAC已被公认为是一类联想记忆网络的重要组成部分，能够学习任意多维非线性映射，CMAC算法被证明可有效地用于非线性函数逼近、动态建模、控制系统设计等。CMAC比其它神经网络的优越性体现在：（1）小脑模型是基于局部学习的神经网络，它把信息存储在局部结构上，使每次修正的权极少，在保证函数非线性逼近性能的前提下，学习速度快，适合于实时控制；（2）具有一定的泛化能力，即所谓相近输入产生相近输出，不同输入给出不同输出；第33页，共66页，星期日，2025年，2月5日(3)?具有连续（模拟）输入输出能力；(4)?采用寻址编程方式，在利用串行计算机仿真时，它将使响应速度加快；(5)?CMAC函数非线性逼近器对学习数据出现的次序不敏感。由于CMAC所具有的上述优越性能，使它比一般神经网络具有更好的非线性逼近能力，更适合于复杂动态环境下非线性实时控制的要求。CMAC神经网络的结构如图8-8所示。第34页，共66页，星期日，2025年，2月5日图8-8CMAC神经网络结构第35页，共66页，星期日，2025年，2月5日8.3.2一种典型CMAC算法CMAC网络由输入层，中间层和输出层组成。在输入层与中间层、中间层与输出层之间分别为由设计者预先确定的输入层非线性映射和输出层权值自适应性线性映射。CMAC神经网络的设计主要包括输入空间的化分、输入层至输出层非线性映射的实现及输出层权值学习算法。第36页，共66页，星期日，2025年，2月5日CMAC是前馈网络，输入输出之间的非线性关系由以下两个基本映射实现。（1）概念映射（U?AC）概念映射是从输入空间U至概念存储器AC的映射。设输入空间向量为，量化编码为，输入空间映射至AC中c个存储单元（c为二进制非零单元的数目）。第37页，共66页，星期日，2025年，2月5日采用下式表示映射后的向量：Rp=S([up])=[s1(up),s2(up),…,sc(up)]T式中sj([up])=1,j=1,2,…,c映射原则为：在输入空间邻近的两个点，在AC中有部分的重叠单元被激励。距离越近，重叠越多；距离越远的点，在AC中不重叠，这称为局域泛化，c为泛化常数。第38页，共66页，星期日，2025年，2月5日（2）实际映射（ACAP）实际映射是由概念存储器AC中的c个单元，用杂散编码技术映射至实际存储器AP的c个单元，c个单元中存放着相应权值。网络的输出为AP中c个单元的权值的和。只考虑单输出：即第39页，共66页，星期日，2025年，2月5日CMAC采用的学习算法如下：采用δ学习规则调整权值，权值调整指标为其中。由梯度下降法，权值按下式调整：第40页，共66页，星期日，2025年，2月5日其中为惯性系数。第41页，共66页，星期日，2025年，2月5日8.3.3仿真实例采用CMAC网络逼近非线性对象：取u(k)作为网络的输入，采用线性化函数对输入状态进行量化，实现CMAC的概念映射：第42页，共66页，星期日，2025年，2月5日其中xmin和xmax输入的最大最小值，M为xmax量化后所对应的最大值，round()为四舍五入的Matlab函数。采用杂散编码技术中的除留余数法实现CMAC的实际映射。设杂凑表长为m，以元素值s(k)+i除以某数N（N=m）后所得余数+1作为杂凑地址，实现了实际映射，即第43页，共66页，星期日，2025年，2月5日其中。在仿真中，取