小腦模型cmac神經(jīng)網(wǎng)絡(luò)(1)-展示頁
2025-01-18 08:50本頁面
【正文】 值： Dw td y t sjp p j pP( ) ( ( )) ([ ])= h uR 2 其中 R uP jjcps c2 21= ==229。113 CMAC算法及程序語言描述 1131 學(xué)習(xí)算法學(xué)習(xí)算法 CMAC 為 有導(dǎo)師的學(xué)習(xí)算法。 雜散存儲弱點(diǎn)： 產(chǎn)生碰撞 (沖突 )即 AC中多個聯(lián)想單元，被映射到AP的同一單元 (見圖 )，這意味著 信息的丟失 。 有多種方法， “除余數(shù)法 ”是其中較好的一種。 雜散存儲 ：可將 AC壓縮到較小的 AP中。但是，訓(xùn)練樣本不可能遍歷所有輸入空間，在 C中被激勵的單元是很稀疏的。yAC＋U輸入空間雜散編碼AP(W)輸出輸入向量圖 112 CMAC結(jié)構(gòu)112 CMAC 網(wǎng)絡(luò)的工作原理 1121 概念映射（ U—— AC） yAC＋U輸入空間雜散編碼AP(W)輸出輸入向量圖 271 CMAC結(jié)構(gòu)1122 實(shí)際映射（ AC—— AP） 167。 111 CMAC網(wǎng)絡(luò)的基本思想與結(jié)構(gòu)模型 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CMAC網(wǎng)絡(luò)，其結(jié)構(gòu)模型如圖 ：111 CMAC網(wǎng)絡(luò)的基本思想與結(jié)構(gòu)模型 圖 人主要靠小腦管理運(yùn)動功能，它通過小腦皮層的神經(jīng)系統(tǒng)從肌肉、四肢、關(guān)節(jié)、皮膚等接受感覺信息，并感受反饋信息，然后將這些獲得的信息整合到一特定的區(qū)域 ——“ 存儲器 ”記憶起來。這些優(yōu)點(diǎn)使得 CMAC網(wǎng)絡(luò)非常適合用于復(fù)雜系統(tǒng)的建模和快速辨識。經(jīng)過多年的研究，其中包括 Miller, Parks和 Wong等人的杰出工作，目前CMAC已得到人們越來越多的重視。因此，模擬人的小腦結(jié)構(gòu)與功能無疑是腦的宏觀結(jié)構(gòu)功能模擬的重要組成部分。第十一章第十一章 小腦模型（小腦模型（ CMAC）） 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò) 北京科技大學(xué)北京科技大學(xué) 信息工程學(xué)院信息工程學(xué)院付冬梅付冬梅62334967第十一章第十一章 小腦模型（小腦模型（ CMAC）） 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò) CMAC網(wǎng)絡(luò)的基本思想與結(jié)構(gòu)模型 CMAC網(wǎng)絡(luò)的工作原理 CMAC算法的程序語言描述 CMAC網(wǎng)絡(luò)的泛化能力 CMAC網(wǎng)絡(luò)的幾個問題 仿真示例 生物學(xué)研究表明，人腦在人體運(yùn)動中起到維持軀體平衡、調(diào)節(jié)肌肉緊張程度、協(xié)調(diào)隨意運(yùn)動等功能。早在 1975年， Albus便根據(jù)神經(jīng)生理學(xué)小腦皮層結(jié)構(gòu)特點(diǎn)提出的一種小腦模型關(guān)聯(lián)控制器 (Cerebellar Model Articulation Controller)，簡稱 CMAC網(wǎng)絡(luò)。 CMAC是一種局部逼近網(wǎng)絡(luò)，算法基于 LMS(最小均方 )，學(xué)習(xí)速度快，具有局域泛化 (generalization)能力，避免了 BP網(wǎng)絡(luò)的局部最優(yōu)問題，且易于硬件實(shí)現(xiàn)。111 CMAC網(wǎng)絡(luò)的基本思想與結(jié)構(gòu)模型 人的小腦是通過一些神經(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)系。當(dāng)需要的時候，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 —— 控制信號 :當(dāng)感受信息和反饋信息出現(xiàn)差異時，便通過聯(lián)想加以調(diào)整，從而達(dá)到運(yùn)動控制的目的，這一過程便是學(xué)習(xí)。111CMAC結(jié)構(gòu) CMAC是前饋網(wǎng)，結(jié)構(gòu)見圖 112 ，有 兩個基本映射，表示輸入輸出之間的非線性關(guān)系。 若輸入是 n維，每一維有 q個量化級，則 AC占很大容量。167。167。167。（ c）鄰近兩點(diǎn)輸入重疊單元 =3,有碰撞（ b）鄰近兩點(diǎn)輸入重疊單元 =3,無碰撞那么 CMAC是怎樣實(shí)現(xiàn)上述各種映射的？碰撞的原因？下面通過一個具體示例來說明（見板書）。 設(shè)單輸出，給定輸入 /輸出樣本對 （ 導(dǎo)師信號 ）： u dP p/ ，Lp ,2,1 L= 。 ([ ])將 2PR 代入得 Dw td y tce tcjp p p( ) ( ( )) ( )= =h h可見 ： c 個單元權(quán)值的調(diào)整量是相同的。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 ）。Jacobi迭代法q 分析情況、結(jié)論輸入樣本有重疊，雜散編碼 無碰撞若 重疊少，解收斂輸入樣本有重疊，雜散編碼 有碰撞 由此可見，泛化能力除了由精度決定外，還取決于映射方式和輸入的量化級。而CMAC神經(jīng)網(wǎng)絡(luò)是在對小腦進(jìn)行神經(jīng)解剖生理學(xué)研究的基礎(chǔ)上提出的，它被證明具有局域泛
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1