基于RLS算法的CMAC及其在復(fù)雜過程中的仿真研究.pdf

1、CMAC是一種局部泛化的神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)速度快，泛化能力強(qiáng)、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。因此，可有效的用于復(fù)雜工業(yè)系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模、神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)等。RLS(遞推最小二乘法)是保證全局極優(yōu)的穩(wěn)定收斂算法。與CMAC-RLS算法相比，CMAC-LMS算法的學(xué)習(xí)速率不是時(shí)變的。而CMAC-RLS算法的學(xué)習(xí)速率可看作是由歷史數(shù)據(jù)得到的，是自適應(yīng)的，從而得以保證算法的收斂性，更適合應(yīng)用到實(shí)際系統(tǒng)中。 連續(xù)CMAC及模糊CMAC是對(duì)CMAC的

2、結(jié)構(gòu)進(jìn)行改進(jìn)的基礎(chǔ)上提出的。兩者都可以有效的提高CMAC的性能，是目前研究熱點(diǎn)方向之一。連續(xù)CMAC網(wǎng)絡(luò)與離散CMAC網(wǎng)絡(luò)相比，克服了輸入狀態(tài)空間和輸出狀態(tài)空間離散化的缺點(diǎn)，具有連續(xù)的輸入狀態(tài)空間和輸出狀態(tài)空間，具有逼近速度快，精度高的特性。模糊CMAC神經(jīng)網(wǎng)絡(luò)在具有學(xué)習(xí)機(jī)制的CMAC網(wǎng)絡(luò)的基礎(chǔ)上，熔入了模糊邏輯控制器，因此不僅提高了精度，且具有很好的泛化能力和容錯(cuò)能力。 因此研究如何將RLS算法與這兩種改進(jìn)的CMAC結(jié)構(gòu)相結(jié)合

3、，對(duì)于CMAC的發(fā)展，是件有意義的工作，并具有很好應(yīng)用前景。 本論文首先將CMAC-LMS算法和CMAC-RIS算法進(jìn)行了比較。其次將RLS算法引入連續(xù)CMAC中，對(duì)典型的強(qiáng)非線性系統(tǒng)CSTR進(jìn)行了討論，并采用本文提出的連續(xù)CMAC算法對(duì)CSTR系統(tǒng)進(jìn)行逆向建模，取得了很好的效果。 再次將RLS算法引入模糊CMAC中，并討論了液位對(duì)象系統(tǒng)，提出了模糊CMAC和常規(guī)控制器組成的復(fù)合控制器的控制策略。運(yùn)用此控制策略對(duì)液位對(duì)象