第十一部分小脑模型CMAC神经网络资料教程.ppt

无冲撞 学习10 次 有冲撞 无冲撞 学习10 次 有冲撞 例11-2 用CMAC逼近非线性函数。 （a） （b） （c） （d） （e） 例11-2 CMAC 逼近非线性函数 演示 非线性函数 输入样本二维 输出样本一维 杂散编码无冲撞 杂散编码无冲撞：c=6 b=5 学习0次 杂散编码无冲撞：c=6 b=5 学习1次 杂散编码无冲撞：c=6 b=5 学习2次 杂散编码无冲撞：c=6 b=5 学习3次 杂散编码无冲撞：c=6 b=5 学习4次 杂散编码无冲撞：c=6 b=5 学习5次 杂散编码无冲撞：c=6 b=5 学习6次 杂散编码无冲撞：c=6 b=5 学习6次 杂散编码无冲撞：c=6 b=5 学习7次 杂散编码无冲撞：c=6 b=5 学习8次 杂散编码无冲撞：c=6 b=5 学习9次 杂散编码无冲撞：c=6 b=5 学习10次 杂散编码无冲撞：c=6 b=5 学习10次 杂散编码有冲撞 杂散编码有冲撞：c=6 b=5 学习0次 杂散编码有冲撞：c=6 b=5 学习1次 杂散编码有冲撞：c=6 b=5 学习2次 杂散编码有冲撞：c=6 b=5 学习3次 杂散编码有冲撞：c=6 b=5 学习4次 杂散编码有冲撞：c=6 b=5 学习5次 杂散编码有冲撞：c=6 b=5 学习6次 杂散编码有冲撞：c=6 b=5 学习7次 杂散编码有冲撞：c=6 b=5 学习8次 杂散编码有冲撞：c=6 b=5 学习9次 杂散编码有冲撞：c=6 b=5 学习10次 杂散编码有冲撞：c=6 b=5 学习10次 杂散编码有冲撞：c=6 b=5 学习10次 杂散编码有、无冲撞 无冲撞 输入输出样本 有冲撞 无冲撞 学习0 次 有冲撞 无冲撞 学习1 次 有冲撞 无冲撞 学习2 次 有冲撞 无冲撞 学习3 次 有冲撞 无冲撞 学习4 次 有冲撞 无冲撞 学习5 次 有冲撞 无冲撞 学习6 次 有冲撞 无冲撞 学习7 次 有冲撞 无冲撞 学习8 次 有冲撞 无冲撞 学习9 次 有冲撞 第十一章 小脑模型（CMAC）  神经网络 北京科技大学 信息工程学院 付冬梅 fdm2003@163.com 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(Cerebellar Model Articulation Controller)，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。 11-1 CMAC网络的基本思想与结构模型 人的小脑是通过一些神经纤维束跟脑干相联，并进一步同大脑、脊髓发生联系。人主要靠小脑管理运动功能，它通过小脑皮层的神经系统从肌肉、四肢、关节、皮肤等接受感觉信息，并感受反馈信息，然后将这些获得的信息整合到一特定的区域——“存储器”记忆起来。当需要的时候，将这些存储器储存的信息取出来，作为驱动和协