【技术实现步骤摘要】
—种基于广义模糊CMAC的模型参考自适应控制方法本专利技术应用CMAC控制技术在提高船舶运动的控制性能方面进行了相关研究。在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络(GFAC)。研究了 GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。进而将GFAC神经网络用于控制系统中，给出了一种模型参考自适应控制结构。在每一步的运算过程中，先通过参考模型建立教师信号，再利用所得到得教师信号对由GFAC构成的控制器参数进行学习。为解决上述技术问题，本专利技术的技术方案是: GFAC神经网络本文提出的CMAC网络模型使用模糊化语言定义输入变量，将模糊隶属度函数K (?)引入 CMAC联想存储单元中，定义传统的感受野函数为模糊隶属度函数，并规定KG (0，I]，因此具有模糊逻辑的性质，但由于映 射方法采用CMAC所特有的寻址方式，因此使得输入空间的划分可以更加细腻，这点又不同于一般的模糊 CMAC神经网络；此外，当输入空间划分的节点数增加到一定程度后，又可以看成是一般意义上的基函 数CMAC神经网络。因此，本专利技术称之为广义模糊CMAC神经网络(General FuzzyCMAC)，简称GFAC。其实现上与传统CMAC类似，将传统CMAC中X A的映射:解耦成两个子映射: R: X M (I) E: M A (2) 其中，映射R (X)确定输入矢量X在中间变量M中所激活单元的位置，并计算相应的隶属函数值，激活单元的数目为aN。E (M)为合成函数，用...
【技术保护点】
一种基于广义模糊?CMAC?的模型参考自适应控制方法分为以下几个部分：GFAC?神经网络本文提出的?CMAC?网络模型使用模糊化语言定义输入变量，将模糊隶属度函数?μ?(.)引入CMAC?联想存储单元中，定义传统的感受野函数为模糊隶属度函数，并规定?μ?∈(0,1]，因此具有模糊逻辑的性质，但由于映射方法采用?CMAC?所特有的寻址方式，因此使得输入空间的划分可以更加细腻，这点又不同于一般的模糊CMAC?神经网络；此外，当输入空间划分的节点数增加到一定程度后，又可以看成是一般意义上的基函数?CMAC?神经网络；因此，本专利技术称之为广义模糊?CMAC?神经网络(General?Fuzzy?CMAC)，简称GFAC；其实现上与传统?CMAC?类似，将传统?CMAC?中?X???A的映射：?其中，映射?R?(x)确定输入矢量?x?在中间变量M?中所激活单元的位置，并计算相应的隶属函数值，激活单元的数目为aN?；?E?(M)为合成函数，用于将各变量所激活的单元合成映射到联想存储单元?A中；图?1?给出了双输入、单数出、泛化尺寸为?3?的?GFAC?模型；图中，X?为输入状态空间，A、Ap分别...
【技术特征摘要】
1.一种基于广义模糊CMAC的模型参考自适应控制方法分为以下几个部分: GFAC神经网络本文提出的CMAC网络模型使用模糊化语言定义输入变量，将模糊隶属度函数K (.)引入CMAC联想存储单元中，定义传统的感受野函数为模糊隶属度函数，并规定K G (O，I]，因此具有模糊逻辑的性质，但由于映射方法采用CMAC所特有的寻址方式，因此使得输入空间的划分可以更加细腻，这点又不同于一般的模糊CMAC神经网络；此外，当输入空间划分的节点数增加到一定程度后，又可以看成是一般意义上的基函数CMAC神经网络；因此，本发明称之为广义模糊CMAC神经网络(General Fuzzy CMAC)，简称GFAC ;其实现上与传统CMAC类似，将传统CMAC中X A的映射:其中，映射R (x)确定输入矢量X在中间变量M中所激活单元的位置，并计算相应的隶属函数值，激活单元的数目为aN ； E (M)为合成函数，用于将各变量所激活的单元合成映射到联想存储单元A中；图1给出了双输入、单数出、泛化尺寸为3的GFAC模型；图中，X为输入状态空间，A、Ap分别为联想存储器和实际存储器，w为实际存储器中的权值，mi, j为输入矢量ix映射到中间变量M中的地址，f、y分别为理想输出和实际输出；X M映射可以采用多种方法；图1 GFAC网络结构...
【专利技术属性】
技术研发人员：刘雨，
申请(专利权)人：大连海联自动控制有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。