1) BMAC
B样条小脑模型神经网络
2) B-spline neural network
B样条神经网络
1.
A B-spline neural network was trained to be a neural network chaotic controller to predict the time sequences of chaotic systems and obtain their perturbation signals for control of chaotic systems.
采用B样条神经网络,通过选取混沌系统不稳定周期轨道的不动点附近的数据作为参数扰动模型输入样本的学习,把该模型训练成神经网络混沌控制器,从而预测出混沌系统将来时刻的时间序列,获得控制混沌系统的扰动信号。
2.
Based on adopting the B-spline neural network model to approach the output probability density function(PDF)and by considering uncertainties of system model and controller,the robust resilient optimal tracking controller is proposed by using the Lyapunov stability theory and linear matrix inequality(LMI) technique.
在采用B样条神经网络模型逼近随机动态系统的输出概率密度函数(PDF)的基础上,同时考虑系统模型和控制器增益不确定性,结合Lyapunov稳定性理论和线性矩阵不等式(LMI)技术,引入增广控制作用,设计基于广义状态反馈的鲁棒弹性最优跟踪控制器,目的是使系统的输出PDF跟踪给定PDF。
3.
In this paper,a mathematic model is built,then the B-spline neural network is applied to control the system,at last MATLAB is used to simulate the system,the results show that this method has advantages such as high approximation and distinguishing ability,so it can meet the requirements of the loading task comparatively well.
本文对系统进行数学建模,应用B样条神经网络加以控制,最后使用MATLAB进行仿真,仿真结果表明该方法具有逼近精度高,分辨率高的优点,能很好地满足了实验机力加载的要求。
3) B-spline neural networks
B-样条神经网络
4) CMAC Neural Network
小脑模型神经网络
1.
A new intelligent optimized dispatching method is proposed, and reinforcement learning control is applied in elevator group control system, in which CMAC neural network based on traffic pattern recognition is designed as the controller, in order to optimize the passengers’ average waiting time.
提出一种新的智能优化调度方法,将再励学习控制运用到电梯群控系统中,采用基于交通模式识别的小脑模型神经网络作为控制器,以乘客平均候梯时间最短为控制目标设计出电梯群控系统的控制方案。
5) CMAC
小脑模型神经网络
1.
Research about compound control based on CMAC and PID;
基于小脑模型神经网络与PID的复合控制研究
2.
Combining characteristics of switched reluctance motors(SRM),this paper presents a controller architecture and learning algorithm for controlling SRM s torque using cerebellar model articulation controller(CMAC) neural network.
结合变磁阻电动机的工作特点,提出了应用小脑模型神经网络控制SRM转矩的控制器结构和改进的学习算法。
3.
This paper presents energy management strategy on the basis of CMAC,and analyzes the influence of CMAC parameters on the performance of controller.
提出了基于小脑模型神经网络(CMAC)控制器的能量管理策略,分析了CMAC参数对控制器性能的影响。
6) cerebellar model articulation controller
小脑模型神经网络
1.
After combining the optimal control theory with Gauss basis function cerebellar model articulation controller(GCMAC) neural network,an optimal control strategy on electro-hydraulic loading system was proposed,which made the closed-loop system gradually stable.
将最优控制理论与高斯基函数小脑模型神经网络相结合,提出了电液伺服加载的自适应最优控制策略,该控制策略能够确保闭环系统具有渐近稳定性。
2.
According to the asymmetry and nonlinearity of the symmetrical valve controlled asymmetrical piston system, in order to improve control precision of the system, the work characteristic of the system is analyzed, then a new control method based on the cerebellar model articulation controller(CMAC) is advanced, and the CMAC compound controller is designed.
针对对称阀控非对称缸系统的不对称性和非线性,为了提高系统控制精度,分析了该系统的工作特性,提出了基于小脑模型神经网络(CMAC)的控制策略,设计了CMAC复合控制器;为验证CMAC复合控制器的有效性,进行了实验研究,并与普通的PID控制器进行比较。
3.
In order to solve the nonlinearity and the surplus torque disturbance in the rudder load simulator of the unmanned aerial vehicles,a hybrid controller was proposed with the cerebellar model articulation controller(CMAC) network and the traditional proportional-derivative(PD) controller.
为解决无人机舵面负载模拟系统中非线性和多余力矩扰动问题,利用小脑模型神经网络非线性逼近能力强、结构简单、适于实时控制等特点,采用小脑模型和传统PD(Proportional-Derivative)控制结合的复合控制策略,由小脑模型实现前馈控制,PD控制实现反馈控制,以保证在系统运行各阶段的控制精度。
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