小腦模型CMAC神經(jīng)網(wǎng)絡(luò)1ppt課件

1、 CMAC CMAC網(wǎng)絡(luò)的根本思想與構(gòu)造模型網(wǎng)絡(luò)的根本思想與構(gòu)造模型 CMAC CMAC網(wǎng)絡(luò)的任務(wù)原理網(wǎng)絡(luò)的任務(wù)原理 CMAC CMAC算法的程序文語描畫算法的程序文語描畫 CMAC CMAC網(wǎng)絡(luò)的泛化才干網(wǎng)絡(luò)的泛化才干 CMAC CMAC網(wǎng)絡(luò)的幾個(gè)問題網(wǎng)絡(luò)的幾個(gè)問題 仿真例如仿真例如 生物學(xué)研討闡明，人腦在人體運(yùn)動中起到維持軀體平衡、生物學(xué)研討闡明，人腦在人體運(yùn)動中起到維持軀體平衡、調(diào)理肌肉緊張程度、協(xié)調(diào)隨意運(yùn)動等功能。因此，模擬人的調(diào)理肌肉緊張程度、協(xié)調(diào)隨意運(yùn)動等功能。因此，模擬人的小腦構(gòu)造與功能無疑是腦的宏觀構(gòu)造功能模擬的重要組成部小腦構(gòu)造與功能無疑是腦的宏觀構(gòu)造功能模擬的重要組成部分。

2、早在分。早在19751975年，年，AlbusAlbus便根據(jù)神經(jīng)生理學(xué)小腦皮層構(gòu)造特便根據(jù)神經(jīng)生理學(xué)小腦皮層構(gòu)造特點(diǎn)提出的一種小腦模型關(guān)聯(lián)控制器點(diǎn)提出的一種小腦模型關(guān)聯(lián)控制器(Cerebellar Model (Cerebellar Model Articulation Controller)Articulation Controller)，簡稱，簡稱CMACCMAC網(wǎng)絡(luò)。經(jīng)過多年的研討，網(wǎng)絡(luò)。經(jīng)過多年的研討，其中包括其中包括Miller, ParksMiller, Parks和和WongWong等人的出色任務(wù)，目前等人的出色任務(wù)，目前CMACCMAC已得到人們越來越多的注重。已得到人們越來

3、越多的注重。CMACCMAC是一種部分逼近網(wǎng)絡(luò)，是一種部分逼近網(wǎng)絡(luò)，算法基于算法基于LMS(LMS(最小均方最小均方) )，學(xué)習(xí)速度快，具有局域泛化，學(xué)習(xí)速度快，具有局域泛化(generalization)(generalization)才干，防止了才干，防止了BPBP網(wǎng)絡(luò)的部分最優(yōu)問題，且易網(wǎng)絡(luò)的部分最優(yōu)問題，且易于硬件實(shí)現(xiàn)。這些優(yōu)點(diǎn)使得于硬件實(shí)現(xiàn)。這些優(yōu)點(diǎn)使得CMACCMAC網(wǎng)絡(luò)非常適宜用于復(fù)雜系網(wǎng)絡(luò)非常適宜用于復(fù)雜系統(tǒng)的建模和快速辨識。統(tǒng)的建模和快速辨識。11-1 CMAC11-1 CMAC網(wǎng)絡(luò)的根本思想與構(gòu)造模型網(wǎng)絡(luò)的根本思想與構(gòu)造模型 人的小腦是經(jīng)過一些神經(jīng)纖維束跟腦干相聯(lián)，并進(jìn)一人

4、的小腦是經(jīng)過一些神經(jīng)纖維束跟腦干相聯(lián)，并進(jìn)一步同大腦、脊髓發(fā)生聯(lián)絡(luò)。人主要靠小腦管理運(yùn)動功能，步同大腦、脊髓發(fā)生聯(lián)絡(luò)。人主要靠小腦管理運(yùn)動功能，它經(jīng)過小腦皮層的神經(jīng)系統(tǒng)從肌肉、四肢、關(guān)節(jié)、皮膚等它經(jīng)過小腦皮層的神經(jīng)系統(tǒng)從肌肉、四肢、關(guān)節(jié)、皮膚等接受覺得信息，并感受反響信息，然后將這些獲得的信息接受覺得信息，并感受反響信息，然后將這些獲得的信息整合到一特定的區(qū)域整合到一特定的區(qū)域“存儲器記憶起來。當(dāng)需求的存儲器記憶起來。當(dāng)需求的時(shí)候，將這些存儲器儲存的信息取出來，作為驅(qū)動和協(xié)調(diào)時(shí)候，將這些存儲器儲存的信息取出來，作為驅(qū)動和協(xié)調(diào)肌肉運(yùn)動的指令肌肉運(yùn)動的指令控制信號控制信號: :當(dāng)感受信息和反響信息

5、出現(xiàn)當(dāng)感受信息和反響信息出現(xiàn)差別時(shí)，便經(jīng)過聯(lián)想加以調(diào)整，從而到達(dá)運(yùn)動控制的目的，差別時(shí)，便經(jīng)過聯(lián)想加以調(diào)整，從而到達(dá)運(yùn)動控制的目的，這一過程便是學(xué)習(xí)。這一過程便是學(xué)習(xí)。 11-1 CMAC11-1 CMAC網(wǎng)絡(luò)的根本思想與構(gòu)造模型網(wǎng)絡(luò)的根本思想與構(gòu)造模型 Albus Albus根據(jù)小腦在生物運(yùn)動協(xié)調(diào)方面的重要作用，提出了根據(jù)小腦在生物運(yùn)動協(xié)調(diào)方面的重要作用，提出了CMACCMAC網(wǎng)絡(luò)，其構(gòu)造模型如圖網(wǎng)絡(luò)，其構(gòu)造模型如圖4.14.1所示：所示：11-1 CMAC11-1 CMAC網(wǎng)絡(luò)的根本思想與構(gòu)造模型網(wǎng)絡(luò)的根本思想與構(gòu)造模型 圖圖 11-1 CMAC構(gòu)造構(gòu)造 CMAC CMAC是前饋網(wǎng)，構(gòu)造見

6、圖是前饋網(wǎng)，構(gòu)造見圖11-2 11-2 ，有兩個(gè)根本映射，表，有兩個(gè)根本映射，表示輸入輸出之間的非線性關(guān)系。示輸入輸出之間的非線性關(guān)系。yACU輸入空間輸入空間雜散編碼雜散編碼AP(W)輸出輸出輸入向量輸入向量圖圖 11-2 CMAC構(gòu)造構(gòu)造11-2 CMAC 11-2 CMAC 網(wǎng)絡(luò)的任務(wù)原理網(wǎng)絡(luò)的任務(wù)原理 11-2-1 概念映射概念映射UAC 從從輸輸入入空空間間 U 至至概概念念（虛虛擬擬）存存儲儲器器 AC 的的映映射射。 n 維維輸輸入入向向量量：upppnpTuuu ,12量量化化編編碼碼為為up，之之后后映映射射至至 AC 的的c個(gè)個(gè)存存儲儲單單元元，即即被被 up激激活活的的單

7、單元元（c 為為二二進(jìn)進(jìn)非非零零單單元元的的數(shù)數(shù)目目），映映射射后后的的向向量量（0 次次接接收收域域函函數(shù)數(shù)），見見圖圖：RuuuuppppcpTSsss()(),(),()12 sjcjp(), ,u11 2 映映射射原原則則：輸輸入入空空間間鄰鄰近近兩兩點(diǎn)點(diǎn)（一一點(diǎn)點(diǎn)為為一一個(gè)個(gè)輸輸入入 n 維維向向量量），在在 AC 中中有有部部分分重重疊疊單單元元被被激激勵(lì)勵(lì)。距距離離越越近近，重重疊疊越越多多；距距離離遠(yuǎn)遠(yuǎn)的的點(diǎn)點(diǎn)，在在 AC 中中不不重重疊疊，稱稱局局域域泛泛化化，c泛泛化化常常數(shù)數(shù)。 （a） 一維 c=4 1 c=4 yACU輸入空間輸入空間雜散編碼AP(W)輸出輸入向量圖2-

8、7-1 CMAC構(gòu)造11-2-2 實(shí)踐映射實(shí)踐映射ACAP 假設(shè)輸入是假設(shè)輸入是n n維，每一維有維，每一維有q q個(gè)量化級，那么個(gè)量化級，那么ACAC占很大容量。但是，占很大容量。但是，訓(xùn)練樣本不能夠遍歷一切輸入空間，在訓(xùn)練樣本不能夠遍歷一切輸入空間，在C C中被鼓勵(lì)的單元是很稀中被鼓勵(lì)的單元是很稀疏的。疏的。雜散存儲：可將雜散存儲：可將ACAC緊縮到較小的緊縮到較小的APAP中。中。有多種方法，有多種方法，“除余數(shù)法是其中較好的一種。除余數(shù)法是其中較好的一種。雜散存儲弱點(diǎn)：產(chǎn)生碰撞雜散存儲弱點(diǎn)：產(chǎn)生碰撞( (沖突沖突) )即即ACAC中多個(gè)聯(lián)想單元，被映射到中多個(gè)聯(lián)想單元，被映射到APAP

9、的同一單元的同一單元( (見圖見圖) )，這意味著信息的喪失。，這意味著信息的喪失。c臨近兩點(diǎn)輸入重疊單元臨近兩點(diǎn)輸入重疊單元=3,有碰撞有碰撞b臨近兩點(diǎn)輸入重疊單元臨近兩點(diǎn)輸入重疊單元=3,無碰撞無碰撞那么那么CMACCMAC是怎樣實(shí)現(xiàn)上述各種映射的？碰撞的緣由？是怎樣實(shí)現(xiàn)上述各種映射的？碰撞的緣由？下面經(jīng)過一個(gè)詳細(xì)例如來闡明見板書。下面經(jīng)過一個(gè)詳細(xì)例如來闡明見板書。11-3 CMAC11-3 CMAC算法及程序文語描畫算法及程序文語描畫 學(xué)習(xí)算法學(xué)習(xí)算法 CMAC為為有導(dǎo)師的學(xué)習(xí)算法。有導(dǎo)師的學(xué)習(xí)算法。 設(shè)單輸出，給定輸入設(shè)單輸出，給定輸入 /輸出樣本對輸出樣本對 導(dǎo)師信號導(dǎo)師信號 ：ud

10、Pp/，Lp, 2 , 1。 由由d規(guī)那么調(diào)整權(quán)值：規(guī)那么調(diào)整權(quán)值：DwtdytsjppjpP( )( )()-huR2 其中其中 RuPjjcpsc221()將將2PR代入得代入得 Dwtdytcetcjppp( )( )( )-hh可見可見：c 個(gè)單元權(quán)值的調(diào)整量是一樣的。個(gè)單元權(quán)值的調(diào)整量是一樣的。 CMAC的學(xué)習(xí)算法與自順應(yīng)線性神經(jīng)元的一樣。但，因有重疊、碰撞，故對學(xué)習(xí)算法及收斂性，需予以分析討論單輸出。 分析算法 Gauss-Seidel迭代法; Jacobi迭代法 分析情況、結(jié)論 1 輸入樣本有重疊，雜散編碼無碰撞 假設(shè)重疊少，解收斂 2 輸入樣本有重疊，雜散編碼有碰撞 因碰撞，收

11、斂速度降低、收斂性態(tài)變壞、也能夠不收斂11-3 CMAC11-3 CMAC算法及程序文語描畫算法及程序文語描畫b臨近兩點(diǎn)臨近兩點(diǎn)輸入重疊單元輸入重疊單元=3,無碰撞無碰撞 a 一 維c=4c=41c臨近兩點(diǎn)輸入重疊單元=3,有碰撞11-3 CMAC11-3 CMAC算法及程序文語描畫算法及程序文語描畫11-4 CMAC11-4 CMAC網(wǎng)絡(luò)的泛化才干網(wǎng)絡(luò)的泛化才干 最早進(jìn)展泛化實(shí)際研討的是Amaril，他以為泛化是將輸入集中樣本點(diǎn)的給定鄰域映射到輸出集中映射點(diǎn)(與樣本點(diǎn)對應(yīng))的某一鄰域。由此可見，泛化才干除了由精度決議外，還取決于映射方式和輸入的量化級。所以多層感知器的泛化才干是極其有限的，實(shí)

12、際也證明了這點(diǎn)。而CMAC神經(jīng)網(wǎng)絡(luò)是在對小腦進(jìn)展神經(jīng)解剖生理學(xué)研討的根底上提出的，它被證明具有局域泛化才干。 CMAC網(wǎng)絡(luò)中，假設(shè)兩個(gè)輸入向量相距較近，那么它們所觸發(fā)的神經(jīng)元有重疊，間隔越近，重疊越多；假設(shè)兩個(gè)輸入向量相距較遠(yuǎn)，那么它們觸發(fā)的神經(jīng)元沒有重疊。因此CMAC網(wǎng)絡(luò)具有局域泛化才干，它的泛化才干源自于它的網(wǎng)絡(luò)構(gòu)造本身。 影響CMAC泛化精度的主要要素有:訓(xùn)練精度、泛化常數(shù)和樣本點(diǎn)的選擇，但其結(jié)論還顯得相對簡單。 11-4-1 CMAC11-4-1 CMAC網(wǎng)絡(luò)泛化目的網(wǎng)絡(luò)泛化目的11-4 CMAC11-4 CMAC網(wǎng)絡(luò)的泛化才干網(wǎng)絡(luò)的泛化才干 對于一個(gè)神經(jīng)網(wǎng)絡(luò)來說，泛化才干越強(qiáng)，意味著

13、經(jīng)樣本點(diǎn)訓(xùn)練后，對于樣本點(diǎn)附近非樣本點(diǎn)(即測試點(diǎn))的輸入，網(wǎng)絡(luò)輸出與期望輸出間的誤差越小。設(shè)測試點(diǎn)序列 ,對應(yīng)的期望輸出為 。CMAC輸出為 , 那么可用測試點(diǎn)的誤差平方和：itiy)(itf-PiiiytfSSE12)( 作為目的，來衡量網(wǎng)絡(luò)整體泛化性能的優(yōu)越。 越小，那么意味著網(wǎng)絡(luò)泛化才干越強(qiáng)。 SSE11-4 CMAC11-4 CMAC網(wǎng)絡(luò)的泛化才干網(wǎng)絡(luò)的泛化才干11-4-2 CMAC11-4-2 CMAC參數(shù)對網(wǎng)絡(luò)性能的影響參數(shù)對網(wǎng)絡(luò)性能的影響CMAC網(wǎng)絡(luò)的構(gòu)造本身保證了對于訓(xùn)練樣本點(diǎn)鄰域內(nèi)的測試點(diǎn)具有一定的泛化才干。在訓(xùn)練樣本采樣精度不變的條件下，量化精度越高，CMAC網(wǎng)絡(luò)整體泛化性

14、能越好，但隨著量化精度的提高，CMAC學(xué)習(xí)收斂要求的最小泛化常數(shù)值隨之增大。在訓(xùn)練樣本采樣精度和網(wǎng)絡(luò)量化精度堅(jiān)持不變的條件下，在一定范圍內(nèi)，泛化常數(shù)的添加可以提高CMAC網(wǎng)絡(luò)整體的泛化性能，但當(dāng)泛化常數(shù)增大到一定程度后，它的變化不再影響網(wǎng)絡(luò)泛化性能。在訓(xùn)練樣本采樣精度和網(wǎng)絡(luò)量化精度堅(jiān)持不變的條件下，CMAC泛化常數(shù)存在一個(gè)相對最優(yōu)值，可保證樣本點(diǎn)和測試點(diǎn)誤差都較小。為保證CMAC收斂，應(yīng)防止采用網(wǎng)絡(luò)量化精度小于訓(xùn)練樣本采樣精度的參數(shù)配置訓(xùn)練網(wǎng)絡(luò)。提高訓(xùn)練樣本采樣精度，可提高CMAC網(wǎng)絡(luò)整體泛化性能，但同時(shí)必需保證，網(wǎng)絡(luò)量化精度要等于或大于樣本采樣精度。11-4 CMAC11-4 CMAC網(wǎng)絡(luò)的

15、泛化才干網(wǎng)絡(luò)的泛化才干11-4-3 11-4-3 樣本訓(xùn)練順序?qū)颖居?xùn)練順序?qū)MACCMAC網(wǎng)絡(luò)性能的影響網(wǎng)絡(luò)性能的影響 下面分四種情況以CMAC網(wǎng)絡(luò)逼近復(fù)雜的“海底深度函數(shù)為例，研討訓(xùn)練樣本學(xué)習(xí)次序的變化對CMAC網(wǎng)絡(luò)性能的影響。 d-) 1()2()2() 1(22227 . 02 . 1500),(yxyxeeyxf 5 , 5-x 5 , 5y- d其中 為規(guī)范差為0.05的隨機(jī)誤差。 將 等間距取64個(gè)點(diǎn)，即樣本采樣間隔和網(wǎng)絡(luò)量化間距均約為0.15625, 泛化常數(shù) 取4, 物理存儲單元數(shù)取400(=100 ), 最大訓(xùn)練次數(shù)設(shè)為500。實(shí)驗(yàn)選取了四種不同的訓(xùn)練順序： 5 , 5-

16、x 5 , 5y-CC三種樣本訓(xùn)練順序三種樣本訓(xùn)練順序 格雷碼(英文：Gray Code，又稱作葛萊碼，二進(jìn)制循環(huán)碼)是1880年由法國工程師Jean-Maurice-Emlle Baudot發(fā)明的一種編碼，是一種絕對編碼方式，典型格雷碼是一種具有反射特性和循環(huán)特性的單步自補(bǔ)碼，它的循環(huán)、單步特性消除了隨機(jī)取數(shù)時(shí)出現(xiàn)艱苦誤差的能夠，它的反射、自補(bǔ)特性使得求反非常方便。函數(shù)真實(shí)值如以下圖所示。 11-4 CMAC11-4 CMAC網(wǎng)絡(luò)的泛化才干網(wǎng)絡(luò)的泛化才干11-4-3 11-4-3 樣本訓(xùn)練順序?qū)颖居?xùn)練順序?qū)MACCMAC網(wǎng)絡(luò)性能的影響網(wǎng)絡(luò)性能的影響函數(shù)真實(shí)值圖先后順序仿真圖先后順序仿真圖

17、 串聯(lián)順序仿真圖 格雷碼順序仿真圖 (1.406)SSE (4.156)SSE (1.3526)SSE (7.9623)SSE 樣本訓(xùn)練的順序?qū)π∧X模型神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果是有影響的。訓(xùn)練時(shí)樣本間跨度(或坐標(biāo)變化)較大的那些點(diǎn)網(wǎng)絡(luò)學(xué)習(xí)效果較差，因此在樣本輸入訓(xùn)練過程中，應(yīng)盡量讓樣本按照臨近且延續(xù)的順序?qū)W習(xí)。 1 1 CMAC CMAC的逼近原理：用分段超平面，擬合非線性超曲面。的逼近原理：用分段超平面，擬合非線性超曲面。2 2 因是部分網(wǎng)絡(luò)，每次學(xué)習(xí)調(diào)整的權(quán)數(shù)為因是部分網(wǎng)絡(luò)，每次學(xué)習(xí)調(diào)整的權(quán)數(shù)為c c個(gè)，故學(xué)習(xí)速個(gè)，故學(xué)習(xí)速 度快，不存在部分極小。度快，不存在部分極小。3 3 泛化才干與泛化才干

18、與c c有關(guān)，有關(guān)，c c增大，泛化才干加強(qiáng)。相近的輸入，增大，泛化才干加強(qiáng)。相近的輸入，有相近的輸出有相近的輸出 在無碰撞情況下。在無碰撞情況下。4 4 決議網(wǎng)絡(luò)性能的主要參數(shù)：泛化常數(shù)決議網(wǎng)絡(luò)性能的主要參數(shù)：泛化常數(shù)c c；相鄰輸入間的；相鄰輸入間的重疊程度；輸入的量化級。影響到逼近精度、泛化才干重疊程度；輸入的量化級。影響到逼近精度、泛化才干和學(xué)習(xí)速度。和學(xué)習(xí)速度。5 5 為提高量化分辨率和泛化才干，需添加存儲容量。它隨為提高量化分辨率和泛化才干，需添加存儲容量。它隨輸入維數(shù)的添加而添加。輸入維數(shù)的添加而添加。11-5 CMAC11-5 CMAC網(wǎng)絡(luò)的幾個(gè)問題網(wǎng)絡(luò)的幾個(gè)問題 圖 2-7-

19、3 1 次接收域函數(shù)例 （b）鄰近兩點(diǎn)輸入重疊單元=3 c=4 （a）一維 c=4 6 6 高階高階CMACCMAC：為提高逼近精度，也可提高接納域函數(shù)：為提高逼近精度，也可提高接納域函數(shù)的階次，假設(shè)以下圖的階次，假設(shè)以下圖2 2為為0 0次接納域函數(shù)，高階次接納域函數(shù)，高階CMACCMAC用用1 1次次接納域函數(shù)，見以下圖。接納域函數(shù)，見以下圖。11-5 CMAC11-5 CMAC網(wǎng)絡(luò)的幾個(gè)問題網(wǎng)絡(luò)的幾個(gè)問題（1）離散化離散化)(uf)36012sin() 1()(uufufdd, 161:20:11u樣本長度樣本長度9（2）采用一維輸入、一維輸出結(jié)構(gòu)的采用一維輸入、一維輸出結(jié)構(gòu)的 CMAC

20、 逼近函數(shù)；逼近函數(shù)；（3）采用采用 c=6，鄰近兩點(diǎn)輸入重疊單元，鄰近兩點(diǎn)輸入重疊單元=5；（4）無碰撞，訓(xùn)練無碰撞，訓(xùn)練 10 次，結(jié)果見圖；次，結(jié)果見圖；（5）有碰撞，訓(xùn)練有碰撞，訓(xùn)練 10 次，結(jié)果見圖。次，結(jié)果見圖?？梢?，與無碰撞比較，收斂性態(tài)變壞，逼近樣本的程度較差?？梢?，與無碰撞比較，收斂性態(tài)變壞，逼近樣本的程度較差。例例 11-111-1 用用 CMAC 逼近函數(shù)逼近函數(shù))360/2sin()(uufd11-6 11-6 仿真例如仿真例如CMAC 逼近sin函數(shù)例例11-1 演示Sin函數(shù) sin 函數(shù)： uuf2sin)( 離散化)(uf： 161:20:1,360/2sin

21、)(uuufd 輸入、輸出樣本雜散編碼無沖撞雜散編碼無沖撞雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)0次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)1次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)2次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)3次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)4次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)5次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)6次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)7次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)8次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)9次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)10次雜散編碼無沖撞：c=6 b=5 學(xué)習(xí)10次雜散編碼有沖撞雜散編碼有沖撞雜散編碼有沖撞：c=6 b=5

22、 學(xué)習(xí)0次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)1次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)2次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)3次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)4次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)5次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)6次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)7次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)8次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)9次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)10次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)10次雜散編碼有沖撞：c=6 b=5 學(xué)習(xí)10次雜散編碼有、無沖撞無沖撞 輸入輸出樣本 有沖撞無沖撞 學(xué)習(xí)0 次 有沖撞無沖撞 學(xué)習(xí)1 次 有沖撞無沖撞

23、 學(xué)習(xí)2 次 有沖撞無沖撞 學(xué)習(xí)3 次 有沖撞無沖撞 學(xué)習(xí)4 次 有沖撞無沖撞 學(xué)習(xí)5 次 有沖撞無沖撞 學(xué)習(xí)6 次 有沖撞無沖撞 學(xué)習(xí)7 次 有沖撞無沖撞 學(xué)習(xí)8 次 有沖撞無沖撞 學(xué)習(xí)9 次 有沖撞無沖撞 學(xué)習(xí)10 次 有沖撞無沖撞 學(xué)習(xí)10 次 有沖撞024680246800.20.40.60.81例例11-2 用用CMAC逼近非線性函數(shù)。逼近非線性函數(shù)。（1）離離散散化化),(yxf，見見圖圖（a）：82, 10,)3022sin()3012sin()2, 1()(uuuuuuffddua024680246800.511.5（2）用用 2 維輸入維輸入)2, 1(uuu，一維輸出結(jié)構(gòu)的

24、，一維輸出結(jié)構(gòu)的 CMAC 逼近非線性函數(shù)逼近非線性函數(shù)，輸入輸出樣本集：輸入輸出樣本集：811),(/pfpdppuu；（3）用用 c=6，鄰近兩點(diǎn)輸入重疊單元，鄰近兩點(diǎn)輸入重疊單元=5；（4）無碰撞，訓(xùn)練無碰撞，訓(xùn)練 10 次，結(jié)果見圖次，結(jié)果見圖（b），圖），圖（d）目標(biāo)函數(shù)）目標(biāo)函數(shù) J；（5）有碰撞，訓(xùn)練有碰撞，訓(xùn)練 10 次，結(jié)果見圖次，結(jié)果見圖（c）；圖）；圖（e）目標(biāo)函數(shù)）目標(biāo)函數(shù) J1?？梢娍梢?，J1J，與無碰撞比較，收斂性態(tài)變壞，逼近樣本的程度較差。，與無碰撞比較，收斂性態(tài)變壞，逼近樣本的程度較差。024680246800.511.5051000.511.522.53J051000.511.522.533.5J1b c d