基于新型CMAC神经网络的复杂系统控制

吉林大学学报(工学版) ›› 2003, Vol. ›› Issue (3): 51-54.

基于新型CMAC神经网络的复杂系统控制

王俊松¹, 王淑珍²

1. 天津职业技术师范学院, 自动化系, 天津 300222;
2. 天津大港油田, 天津 300280

收稿日期:2003-01-04
基金资助:
国家自然科学基金资助项目(60125310);天津市自然科学基金资助项目(013602811)。

Complex system control strategy based on a novel CMAC-type neural network

WANG Jun-song¹, WANG Shu-zhen²

1. Department of Automation Engineering, Tianjin University of Technology and Education, Tianjin 300222, China;
2.Tianjing Dagang Oil Field, Tianjin 300280, China

Received:2003-01-04

摘要/Abstract

摘要： 首先基于离散泰勒级数设计了一种可实现对任意阶多维函数无差逼近的新型CMAC神经网络,给出了其插值算法及训练算法。该系统相对于传统的CMAC神经网络具有学习精度高、收敛速度快、所需内存单元少等优点。并基于新型CMAC神经网络设计了一种复杂系统的高性能实时控制策略。该方案不依赖于系统的数学模型,具有较强的鲁棒性和通用性,仿真结果表明了该方案的可行性与有效性。

关键词: 离散泰勒级数, 神经网络, 复杂系统控制

Abstract: On the basis of discrete Taylor series,this paper proposes a novel CMAC neural networkor (DTS CMAC), including an interpolation algorithm and a training algorithm, which is capable of implementing error free approximations to multi variable polynomial functions of arbitrary order. The network offers several advantages such as high learning precision and much smaller memory requirement without data collision problem compared to the conventional CMAC-type neural network.Based on DTS CMAC,a complex on line system control strategy with high performance,independent on system mathematic model,robust,and universal is designed.Simulation results verify that this proposed control strategy is both feasible and efficient.

Key words: Discrete Taylor Series, neural network, complex system control

中图分类号:

TP273

王俊松, 王淑珍. 基于新型CMAC神经网络的复杂系统控制[J]. 吉林大学学报(工学版), 2003, (3): 51-54.

WANG Jun-song, WANG Shu-zhen. Complex system control strategy based on a novel CMAC-type neural network[J]. 吉林大学学报(工学版), 2003, (3): 51-54.

参考文献

[1] 王俊松.基于联想记忆的机器人智能控制系统［D］.北京:北京工业大学自动化系,1998.
[2] XU Ning-shou. A Novel associative memory based on sharp angled hat spline functions［Z］. The 1996 IEEE Int. Conference on Systems, Man and Cybernetics, Beijing China,1996.
[3] XU Ning-shou. A New Content-addressing mechanism of CMAC associative memory system［Z］. Proc.of the 13th IFAC World Congress, USA,1996.
[4] XU.Ning-shou,YANG Zhi-hong. Generalized SHSF-type associative memory system［Z］.Proc.of the 13th IFAC World Congress,USA,1996.
[5] 李士勇.模糊控制、神经控制和智能控制论［M］.哈尔滨:哈尔滨工业大学出版社,1998.
[6] 王永骥.神经元网络控制［M］.北京:机械工业出版社,1999.

相关文章 15

[1]	席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[2]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[3]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[4]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[5]	底晓强, 王英政, 李锦青, 从立钢, 祁晖. 基于量子细胞神经网络超混沌的视频加密方法[J]. 吉林大学学报(工学版), 2018, 48(3): 919-928.
[6]	王方石, 王坚, 李兵, 王博. 基于深度属性学习的交通标志检测[J]. 吉林大学学报(工学版), 2018, 48(1): 319-329.
[7]	刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[8]	谢志江, 吴小勇, 范乃吉, 郭宗环, 袁岳军, 王康. 神光-III精密装校平台运动学分析[J]. 吉林大学学报(工学版), 2017, 47(5): 1504-1511.
[9]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.
[10]	王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[11]	黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[12]	李琳辉, 伦智梅, 连静, 袁鲁山, 周雅夫, 麻笑艺. 基于卷积神经网络的道路车辆检测方法[J]. 吉林大学学报(工学版), 2017, 47(2): 384-391.
[13]	王庆年, 段本明, 王鹏宇, 拱印生, 朱庆林. 插电式混合动力汽车动力传动系参数优化[J]. 吉林大学学报(工学版), 2017, 47(1): 1-7.
[14]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.
[15]	孙大许, 兰凤崇, 何幸福, 陈吉清. 双电机四驱电动汽车自适应复合防抱死控制[J]. 吉林大学学报(工学版), 2016, 46(5): 1405-1413.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed