1) cascaded cerebellal model articulation controller
层叠小脑模型
2) overlay model
层叠模型
1.
Standing on the merits of overlay model easy to be realized by programming,the viscosity,elasticity and plasticity of soft soil are expressed overlay model,furthermore,the program OMFEM(Overlay Model with Finite Element Method) evaluating the rheological behaviors of soft soil is developed.
利用层叠模型编程方便的优点,采用层叠模型来考虑软土的粘弹塑性,研制了基于层叠模型的软土流变计算程序OMFEM;在此基础上,采用遗传算法来全局搜索软土流变参数,将软土流变层叠模型的计算程序OMFEM和遗传算法有机结合,编制了基于遗传算法和层叠模型的软土流变模型的辨识程序GAIOM,并最终实现了对软土流变模型和模型参数的辨识。
3) cascade model
层叠模型
1.
Network traffic anomaly detection method based on cascade model;
基于层叠模型的网络流量异常检测方法
4) CMAC
小脑模型
1.
A MODEL TO PREDICT ROLLING FORCE BY CEREBELLA MODEL ARTICULATION CONTROLLER(CMAC);
基于小脑模型神经网络的轧制力预报模型
2.
Research and Development of CMAC:A Survey;
小脑模型神经网络研究和发展综述
3.
A kind of CMAC controller for servo system based on RBF identifier was proposed.
采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。
5) cerebellar model articulation controller
小脑模型
1.
Taking the advantage of the fuzzy_neural_network's superiority in the non_linear system control,a new fuzzy CMAC (cerebellar model articulation controller) neural network model was used to control the loading system in pumping unit.
利用模糊神经网络能够在不能获得精确数学模型的非线性系统中达到最优控制的特性 ,提出了采用模糊小脑模型神经网络(FCMAC)控制器来提高抽油机电液伺服被动加载系统性能的方法 ,并给出了具体的控制结构和算法。
2.
Considering the features of remote sensing images, we proposed a remote sensing image classification algorithm using Fuzzy Cerebellar Model Articulation Controller (FCMAC) neural network.
针对遥感图像分类的特点 ,提出一种基于模糊小脑模型神经网络的遥感图像分类算法。
6) cerebellar model
小脑模型
1.
Adaptive cerebellar model control of robot;
机器人的自适应小脑模型控制
2.
This paper presents a learning cerebellar model to control reaching movements of a simulated biomimetic manipulator.
仿真结果表明,该小脑模型能够很好地学习不能由PDF+F控制器所提供动态逆模型的相关内容,且具有较好的理想轨迹跟踪性能。
3.
This text proposes the Cerebellar Model intelligent algorithm carries on real-time control to the servo system,overcomes the shortcoming of the tradition horizontal adjustment system—leveling time t.
本文提出小脑模型智能算法对伺服系统进行实时控制,克服传统调平系统调平时间长,精度差的缺点,达到快速、准确的调平目的。
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