自动化学报
自動化學報
자동화학보
ACTA AUTOMATICA SINICA
2000年
4期
563-567
,共5页
CMAC%神经网络%泛化能力%学习精度
CMAC%神經網絡%汎化能力%學習精度
CMAC%신경망락%범화능력%학습정도
如何选择合适网络参数是传统CMAC(Cerebellar Model Articulation Controller)应用中的一个难题.采用泛化均方差(GMSE)和学习均方差(LMSE)来分别评价超闭球CMAC的泛化能力与记忆精度,并引入权调整率的概念,来研究CMAC结构参数与学习性能的关系.研究结果表明,在样本分布和量化级数不变时,泛化均方差和学习均方差是权调整率的非增函数.因此超闭球CMAC在满足存储空间和计算速度的要求下尽量使得权调整率较大.还提出了并行CMAC结构以进一步提高单个超闭球CMAC的非线性逼近能力.仿真结果证明了该方法的有效性.
如何選擇閤適網絡參數是傳統CMAC(Cerebellar Model Articulation Controller)應用中的一箇難題.採用汎化均方差(GMSE)和學習均方差(LMSE)來分彆評價超閉毬CMAC的汎化能力與記憶精度,併引入權調整率的概唸,來研究CMAC結構參數與學習性能的關繫.研究結果錶明,在樣本分佈和量化級數不變時,汎化均方差和學習均方差是權調整率的非增函數.因此超閉毬CMAC在滿足存儲空間和計算速度的要求下儘量使得權調整率較大.還提齣瞭併行CMAC結構以進一步提高單箇超閉毬CMAC的非線性逼近能力.倣真結果證明瞭該方法的有效性.
여하선택합괄망락삼수시전통CMAC(Cerebellar Model Articulation Controller)응용중적일개난제.채용범화균방차(GMSE)화학습균방차(LMSE)래분별평개초폐구CMAC적범화능력여기억정도,병인입권조정솔적개념,래연구CMAC결구삼수여학습성능적관계.연구결과표명,재양본분포화양화급수불변시,범화균방차화학습균방차시권조정솔적비증함수.인차초폐구CMAC재만족존저공간화계산속도적요구하진량사득권조정솔교대.환제출료병행CMAC결구이진일보제고단개초폐구CMAC적비선성핍근능력.방진결과증명료해방법적유효성.
