1) cerebellar model articulation conero(lCMAC)
小脑模型联接控制
2) cerebllar model articulation controller
小脑模型关联控制器
1.
A single input-single output cerebllar model articulation controller;
针对标准小脑模型关联控制器(CMAC)存在的问题,研究了一种单输入单输出(SISO)的CMAC算法。
3) cerebellum model articulation controller(CMAC)
小脑模型关联控制器(CMAC)
4) cerebellum model articulation controller
小脑模型连接控制CMAC
1.
A CMAC fuzzy neural network method is presented in combination with the theory of the fuzzy neural network and cerebellum model articulation controller.
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。
5) cerebellar model articulation controller (CMAC)
小脑模型节点控制器
6) cerebellar model articulation controller (CMAC)
小脑模型关节控制器
1.
Aiming at the characteristic of surplus torque,a compound compensation strategy based on cerebellar model articulation controller (CMAC) network has been put forward.
分析了被动式加载系统中多余力矩的特点 ,针对前馈补偿方法中存在的高阶微分补偿控制器物理上难以实现以及模型失配问题 ,提出了基于小脑模型关节控制器 (cerebellarmodelarticulationcontroller,CMAC)的复合补偿方法 。
补充资料：小脑网络模型
小脑网络模型
cerebellar model articulation controller,CMAC
从神经元角度看，每个小格相当于一个神经元。每个神经元的感受域即为小格所占据的那部分输人空间。如果输入向量x落到某个神经元的感受域中，那么这个神经元就被触发。由于小格相互重叠，因此神经元的感受域也相互重叠。于是一个输人向量可能会同时触发多个神经元。所有被触发的神经元对应的权值加在一起即为这个输人向量所对应的输出。 根据小脑网络模型的上述思想，可以给出该模型的结构，如图1所示。图中S表示输入空间，A表示存储体。A的每个存储单元保存一个权值。CM叭C映射算法将S中的每个输人向量映射到A中g个存储单元。这g个存储单元的内容之和即为CMAC的输出。若两个输人向量在S中距离较近，则它们映射到A的相应存储单元有重叠，距离越近，重叠单元越多。若两输人向量在S中距离足够远，则它们映射到A的相应存储单元无重叠。这就是CMAC的局域泛化特性，g称为泛化常数。┌─┐┌─┐│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │├─┤├─┤│ ││ │└─┘└─┘ 图1小脑网络模型 根据CMAC映射算法，每个输入向量s在存储A中激活g个地址。我们用向量X表示:所激活的地址，X的每个元素定义如下X(*)一{‘ (U若A中第艺个地址被:激活其它我们称X为指示器。所以常常使用X代替s做为CMAC的输人。 令W表示A的权值向量，则CM叭C的输出可表示为少=xTw(!MAC的学习算法可表示为 残+1=巩+ak对(yk一x抓)/gx loonao wangluo moxlng小脑网络模型(cerebellar model artieulationcontroner，CMAC)根据小脑的生物模型提出的一种神经网络模型，又称CM[AC网。 CMAC模型的基本思想可表述如下。设输入空间为X，x为属于X的任一输人向量。我们将输人空间划分为N个相互重叠的小格。对应于第i个小格定义函数件，i二1，2，…，N，其中。(x)一{三 (U若x属于第i个小格其它如果我们给每个小格i赋予一个权值w*，那么对于任一输人向量x，相应的输出y可写成，(二)=艺二，。(二)式中瓜是第k次学习的输人; yk是期望输出; 残、l是第k次学习之后的权值向量; ak是学习速度; g是泛化常数。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条