基于广义基函数的CMAC神经网络的一种改进学习算法研究.pdfVIP

1998中国撞制 与决 策学术年会 论文集 墓于广义基函数的CMAC神经网络的 一种改进学习算法 段培永 邵息鹤 (上海交通大学 自动化系,zooo3o} 摘 要 若于广又签函教的CMAC学习算法收钦条件依软于羞函数和学习样本，很难同时浦 足学习快速性与收效性。为此提出一种改进葬法，并给出了收钦性定理，而且收效条件不依核于 基函效和学习样本。应用两种算法的仿真结果表明改进算法优于原葬法。 关.词 CMAC.学习算法，签函欲网络 1 引 言 少竺丛里表丝继多(CMAC,首先由Aihus0)于’97“年提出，已有许多成功的应 用U[s7。传统的CMAC基函数为常数，只能记忆静态信息，而且泛化性能差.Chiang和Linr`]采 用可徽分基函数，不但提商了CMAC的枪出精度，而且增强了泛化能力，同时还可获得徽分信 息。文献 们〔给出了基于广义基函数CMAC学习算法(以下称C-L算法)及其收敛条件，但收 敛条件依赖于所选取的基函数和学习祥本，在实际应用C-L算法时，很难同时满足学习快速 性与收效性，特别是当在线学习时，样本枪入在开始学习前未知，困难更大。 本文提出了改进的学习算法，使收敛条件不依赖基函数和样本枪入。以非线性动态系统连 续搅拌釜反应器为例，进行了改进学习算法仿真研究，并与C-L算法学习结果作了比较，证 明改进算法优子原算法。 2 荃于广义荃函数的CMAC .维紧集U二A,XA,X…XA,满足Vu。二[u,u,4b]1〔U，有 “‘E[ui,u,] 二人CR(i二1,2,,m),R为实数集，U,，e1为A,的下、上界。样本集S二((x.,Y.)),k二1, 2,,N.,x.[z.u,x.=,..,x..]TEU,艳出样本y.ER.把U量化为L个超立方体，记为c;(j‘ 1,2,...,L),*Wifb;()定义在C,上.Vx,〔S，在U上有N.个超立方体包含x.,即x.Ec,, nc.,n，“nc.,，记指标集仇 “{p.,4.,,r.}则CMAC的愉出是超立方体族(Crl!E矶} 上羞函致的线性组合，即 y.二S.B(x,)，二习sub,(x,)4二‘习 ‘(二)。: (1) l-, ,e叭 其中,B(x,)二dial[b,(x,):,b,(xO,...,bL(x,)).，二[4u4:,,4r.]T为权系数向蚤.S。为权系数 选择向盆，有N,个元素为1，其余为。。显然，认指示S，中非零元素的位兰. 564 以 : 3 C-L算法及其局限性 记e,=Y。一夕，‘则C-L算法为“〕 ae,_,B(x,_,)S，一。 qF= q.-,斗 (2). 从 其收敛条件为 2N, 0 a m in (3) 奋〔了1，!一 ，!见b,(x,) Ga, 显然,a的选取受墓函数与学习样本的限制。实际上，在基函数已确定的情况下选择a时有 两种情况:1)样本在学习前已知，a的上限尽管可以求出，但很烦琐s2)样本在学习前未知，如 在线学习时，a上限事先无法确定。此时，为了保证收敛，使a足够小，势必大