基于聚类的超闭球CMAC神经网络改进算法

吉林大学学报(工学版) ›› 2012, Vol. 42 ›› Issue (01): 170-175.

基于聚类的超闭球CMAC神经网络改进算法

李慧^1,2, 段培永³, 张庆范⁴

1. 山东建筑大学可再生能源建筑利用技术省部共建教育部重点实验室,济南 250101;
2. 山东建筑大学山东省建筑节能技术重点实验室,济南 250101;
3. 山东建筑大学山东省智能建筑技术重点实验室,济南 250101;
4. 山东大学控制科学与工程学院, 济南 250061

收稿日期:2010-07-29 出版日期:2012-01-01 发布日期:2012-01-01
通讯作者: 段培永(1968-),男,教授,博士.研究方向:智能控制,智能环境,智能小区. E-mail:duanpeiyong@sdjzu.edu.cn E-mail:duanpeiyong@sdjzu.edu.cn
作者简介:李慧( 1970-), 女, 副教授, 博士.研究方向:智能环境, 人工智能.E-mail:lhh@sdjzu.edu.cn
基金资助:
国家自然科学基金项目 (61074070);山东省自然科学基金项目(Y2008G07, ZR2009GZ004);山东省科技攻关项目(2009GG10001029).

Improved hyperball CMAC neural network algorithm based on clustering

LI Hui^1,2, DUAN Pei-yong³, ZHANG Qing-fan⁴

1. Key Laboratory of Renewable Energy Utilization Technologies in Buildings of Ministry of Education, Shandong Jianzhu University, Ji'nan 250101, China;
2. Shandong Key Laboratory of Building Energy-saving Technologies, Shandong Jianzhu University, Ji'nan 250101, China;
3. Shandong Key Laboratory of Intelligent Buildings Technologies, Shandong Jianzhu University,Ji'nan 250101, China;
4. School of Control Science and Engineering, Shandong University, Ji'nan 250061, China

Received:2010-07-29 Online:2012-01-01 Published:2012-01-01

摘要/Abstract

摘要：

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。

关键词: 人工智能, CMAC神经网络, 聚类, 模糊推理, 学习

Abstract:

The number of nodes of the cerebelar model articulation controller (CMAC) neural network increases exponentially with the input dimensions. To overcome such drawback, an improved hyperball CAMC neural network algorithm based on clustering was proposed. A fuzzy clustering algorithm was adopted to determine the node number and node values of the neural network by clustering the input data. A fuzzy inference optimization algorithm was proposed to calculate the initial weight value of the neural network based on input-output data. Compared with the original hyperball CAMC, the improved algorithm can effectively reduce the neural network nodes and improve the learning accuracy. The multi-step time-delay nonlinear dynamic system simulation results demonstrate the feasibility and superiority of the proposed algorithm.

Key words: artificial intelligence, CMAC neural network, clustering, fuzzy inference, learning

中图分类号:

TP183

李慧, 段培永, 张庆范. 基于聚类的超闭球CMAC神经网络改进算法[J]. 吉林大学学报(工学版), 2012, 42(01): 170-175.

LI Hui, DUAN Pei-yong, ZHANG Qing-fan. Improved hyperball CMAC neural network algorithm based on clustering[J]. 吉林大学学报(工学版), 2012, 42(01): 170-175.

参考文献

[1] Lin Chih-min, Peng Ya-fu. Adaptive CMAC-based supervisory control for uncertain nonlinear systems
[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2004, 34(2): 1248-1260.

[2] Rodriguez Floriberto Ortiz, Yu Wen, Marco A. Nonlinear systems identification via two types of recurrent fuzzy CMAC
[J]. Neural Processing Letters, 2008, 28(1): 49-62.

[3] Wang Yong-gang, Yang Jie, Ding Yong-sheng. CMAC based color separation in printing images
[J]. Journal of Dong Hua University (English Edition), 2005, 22(2): 30-34.

[4] Palacios Francisco, Li Xiao-ou, Rocha Luis E. Data mining based on CMAC neural networks//The 3rd International Conference on Electrical and Electronics Engineering, Mexico, 2006: 1-4.

[5] 王华秋. 一种自适应CMAC 软测量与控制模型
[J]. 仪器仪表学报, 2009, 30(9): 1956-1961. Wang Hua-qiu. Soft sensor and control model with self-adaptive CMAC
[J]. Chinese Journal of Scientific Instrument, 2009, 30(9): 1956-1961.

[6] 罗忠,谢文斌,朱重光. CMAC学习过程收敛性的研究
[J]. 自动化学报,1997, 23(4): 455-461. Luo Zhong, Xie Wen-bin, Zhu Chong-guang. A study of the convergence of the CMAC learning process
[J]. Acta Automatica Sinica, 1997, 23(4): 455-461.

[7] Lin Chun-shin, Li Chien-kuo. A new neural network structure composed of small CMACs//Proceedings of IEEE Conference on Neural Networks, Washington, D C, USA, 1996:1777-1783.

[8] Rodriguez Floriberto Ortiz, Yu Wen, Moreno Armendariz, et al. System identification using hierarchical fuzzy CMAC neural networks//Computational Intelligence International Conference on Intelligent Computing Proceedings, Kunming, China, 2006: 230-235.

[9] 段培永,邵惠鹤. 超闭球CMAC的性能分析及多CMAC结构
[J]. 自动化学报, 2000, 26(4): 563-567. Duan Pei-yong, Shao Hui-he. Property analysis of hyperball CMAC and multiple CMAC structure
[J]. Acta Automatica Sinica, 2000, 26(4): 563-567.

[10] 段培永,邵惠鹤. 基于广义基函数的CMAC学习算法的改进及其收敛性分析
[J]. 自动化学报, 1999, 25(2): 258-263. Duan Pei-yong, Shao Hui-he. Improved algorithm of CMAC with general basis function and its convergence analysis
[J]. Acta Automatica Sinica, 1999, 25(2): 258-263.

[11] Pal N R, Bezdek J C. On clustering for the fuzzyc-means model
[J]. IEEE Trans FS, 1995, 3(3): 370-379.

相关文章 15

[1]	刘仲民,王阳,李战明,胡文瑾. 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1931-1937.
[2]	隗海林, 包翠竹, 李洪雪, 李明达. 基于最小二乘支持向量机的怠速时间预测[J]. 吉林大学学报(工学版), 2018, 48(5): 1360-1365.
[3]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[4]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[5]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[6]	张曼, 施树明. 典型汽车运行工况的状态转移特征分析[J]. 吉林大学学报(工学版), 2018, 48(4): 1008-1015.
[7]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[8]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[9]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[10]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[11]	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.
[12]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[13]	邓剑勋, 熊忠阳, 邓欣. 基于谱聚类矩阵的改进DNALA算法[J]. 吉林大学学报(工学版), 2018, 48(3): 903-908.
[14]	蔡振闹, 吕信恩, 陈慧灵. 基于反向细菌优化支持向量机的躯体化障碍预测模型[J]. 吉林大学学报(工学版), 2018, 48(3): 936-942.
[15]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed