€H7小脑模型神经网络辨 识及其应用
1 CH7小脑模型神经网络辨 识及其应用
要点： ·CMAC网络特点 ·改进的CMAC干式变压器卷线机跑偏信号谐波分析 ·CMAC网络对非线性函数学习过程 ·干式变压器卷线机跑偏信号谐波分析 ·跑偏信号谐波仿真与分析 ·改进的CMAC学习多维函数 ·CMAC网络辨识MATLAB仿真举例 CMAC网络原理及其应用 难点： ·CMAC网络对非线性函数学习过程 •跑偏信号谐波仿真与分析 ·改进的CMAC学习多维函数 2
2 要点： •CMAC网络特点 •改进的CMAC干式变压器卷线机跑偏信号谐波分析 •CMAC网络对非线性函数学习过程 •干式变压器卷线机跑偏信号谐波分析 •跑偏信号谐波仿真与分析 •改进的CMAC学习多维函数 •CMAC网络辨识MATLAB仿真举例 •CMAC网络原理及其应用 难点： •CMAC网络对非线性函数学习过程 •跑偏信号谐波仿真与分析 •改进的CMAC学习多维函数
7.1CMAC网络的特点 正常人的大脑是由大约1010~1012个神经元组成，神经 元有着相似的结构。每个细胞体有大量的树突（输入端） 和轴突（输出端），不同神经元的轴突与树突互连的结合 部为突轴，突轴决定神经元之间的连接强度和作用性质 ，而每个神经元胞体本身则是一非线性输入输出单元， 其非线性特性可用阈值型、分段线性型和连续的型函数 近似，如Sigmoid、tanh或高斯函数。 3
3 7.1 CMAC网络的特点 正常人的大脑是由大约1010~1012个神经元组成，神经 元有着相似的结构。每个细胞体有大量的树突(输入端) 和轴突(输出端)，不同神经元的轴突与树突互连的结合 部为突轴，突轴决定神经元之间的连接强度和作用性质 ，而每个神经元胞体本身则是一非线性输入/输出单元， 其非线性特性可用阈值型、分段线性型和连续的型函数 近似，如Sigmoid、tanh或高斯函数
7.1CMAC网络的特点 小脑存在多层的神经元和大量的互连接。当小脑接 受许多来自各种传感器（如肌肉、四肢、关节、皮肤等） 的不同信号后，它利用负反馈进行广泛的选择（滤波）， 使得输入活动仅限制在最活跃神经的一个最小子集，而 大多数的神经将受到限制，也即最活跃的神经抑制了不 太活跃的神经。人们对此进行深入研究，便得出了一个 数学上的描述，这就是Abus在于1972年提出的小脑模型 连接控制器(Cerebellar Model Articulation Controller, 简称CMAC)。 4
4 7.1 CMAC网络的特点 小脑存在多层的神经元和大量的互连接。当小脑接 受许多来自各种传感器(如肌肉、四肢、关节、皮肤等) 的不同信号后，它利用负反馈进行广泛的选择(滤波)， 使得输入活动仅限制在最活跃神经的一个最小子集，而 大多数的神经将受到限制，也即最活跃的神经抑制了不 太活跃的神经。人们对此进行深入研究，便得出了一个 数学上的描述，这就是Albus在于1972年提出的小脑模型 连接控制器(Cerebellar Model Articulation Controller, 简称CMAC)
CMAC把多维离散的输入空间经过映射形成复杂的非线 性函数，具有三个特性： 一、利用散列编码(Hashing Coding)进行多对少的映射， 压缩查表的规模； 二、通过对输入分布信号的测量值编码，提供输出响应的 泛化和插补功能；三是通过有监督的学习过程，训练合适 的非线性函数。学习过程就是在查表过程中修正地址及每 个地址所对应的权值。 5
5 CMAC把多维离散的输入空间经过映射形成复杂的非线 性函数,具有三个特性: 一、利用散列编码(Hashing Coding)进行多对少的映射， 压缩查表的规模； 二、通过对输入分布信号的测量值编码，提供输出响应的 泛化和插补功能；三是通过有监督的学习过程，训练合适 的非线性函数。学习过程就是在查表过程中修正地址及每 个地址所对应的权值