超闭球CMAC的性能分析及多CMAC结构

摘要：

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.

关键词：CMAC、神经网络、泛化能力、学习精度

所属期刊栏目：26

分类号：TP2(自动化技术及设备)

在线出版日期：2004-03-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：563-567