基于RLS算法的CMAC及其在復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，具有學習速度快，泛化能力強、易于實現(xiàn)等優(yōu)點。因此，可有效的用于復雜工業(yè)系統(tǒng)神經(jīng)網(wǎng)絡建模、神經(jīng)網(wǎng)絡控制器的設計等。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算法的學習速率不是時變的。而CMAC-RLS算法的學習速率可看作是由歷史數(shù)據(jù)得到的，是自適應的，從而得以保證算法的收斂性，更適合應用到實際系統(tǒng)中。 連續(xù)CMAC及模糊CMAC是對CMAC的

2、結(jié)構進行改進的基礎上提出的。兩者都可以有效的提高CMAC的性能，是目前研究熱點方向之一。連續(xù)CMAC網(wǎng)絡與離散CMAC網(wǎng)絡相比，克服了輸入狀態(tài)空間和輸出狀態(tài)空間離散化的缺點，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)絡在具有學習機制的CMAC網(wǎng)絡的基礎上，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能力。 因此研究如何將RLS算法與這兩種改進的CMAC結(jié)構相結(jié)合

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