第八章 小脑模型网络.ppt

CMAC是前馈网，结构见图8-2 ，有两个基本映射，表示输入输出之间的非线性关系。 8-2-1 概念映射（U——AC） 8-2-2 实际映射（AC——AP） 8-2-3.杂散存储 若输入是n维，每一维有q个量化级，则AC占很大容量。但是，训练样本不可能遍历所有输入空间，在C中被激励的单元是很稀疏的。 杂散存储：可将AC压缩到较小的AP中。 有多种方法，“除余数法”是其中较好的一种。 杂散存储弱点：产生碰撞(冲突)即AC中多个联想单元，被映射到AP的同一单元(见图)，这意味着信息的丢失。 8-3 CMAC算法及程序语言描述 8-3-2 学习算法分析 CMAC的学习算法与自适应线性神经元的相同。但，因有重叠、碰撞，故对学习算法及收敛性，需予以分析（讨论单输出）。 分析算法 　　 Gauss-Seidel迭代法; Jacobi迭代法 分析情况、结论 （1）?? 输入样本有重叠，杂散编码无碰撞 若重叠少，解收敛 （2）?? 输入样本有重叠，杂散编码有碰撞 　 因碰撞，收敛速度降低、收敛性态变坏、也可能不收敛 0次接收域函数例 1） CMAC的逼近原理：用分段超平面，拟合非线性超曲面。 2） 因是局部网络，每次学习调整的权数为c个，故学习速 度快，不存在局部极小。 3） 泛化能力与c有关，c增大，泛化能力增强。相近的输入，有相近的输出。 4） 决定网络性能的主要参数：泛化常数c；相邻输入间的重叠程度；输入的量化级。影响到逼近精度、泛化能力和学习速度。 5） 为提高量化分辨率和泛化能力，需增加存储容量。它随输入维数的增加而增加。 例8-1 CMAC 逼近sin函数 Sin函数 输入、输出样本 杂散编码无冲撞 杂散编码无冲撞：c=6 b=5 学习0次 杂散编码无冲撞：c=6 b=5 学习1次 杂散编码无冲撞：c=6 b=5 学习2次 杂散编码无冲撞：c=6 b=5 学习3次 杂散编码无冲撞：c=6 b=5 学习4次 杂散编码无冲撞：c=6 b=5 学习5次 杂散编码无冲撞：c=6 b=5 学习6次 杂散编码无冲撞：c=6 b=5 学习7次 杂散编码无冲撞：c=6 b=5 学习8次 杂散编码无冲撞：c=6 b=5 学习9次 杂散编码无冲撞：c=6 b=5 学习10次 杂散编码无冲撞：c=6 b=5 学习10次 杂散编码有冲撞 杂散编码有冲撞：c=6 b=5 学习0次 杂散编码有冲撞：c=6 b=5 学习1次 杂散编码有冲撞：c=6 b=5 学习2次 杂散编码有冲撞：c=6 b=5 学习3次 杂散编码有冲撞：c=6 b=5 学习4次 杂散编码有冲撞：c=6 b=5 学习5次 杂散编码有冲撞：c=6 b=5 学习6次 杂散编码有冲撞：c=6 b=5 学习7次 杂散编码有冲撞：c=6 b=5 学习8次 杂散编码有冲撞：c=6 b=5 学习9次 杂散编码有冲撞：c=6 b=5 学习10次 杂散编码有冲撞：c=6 b=5 学习10次 杂散编码有冲撞：c=6 b=5 学习10次 无冲撞 输入输出样本 有冲撞 无冲撞 学习0 次 有冲撞 无冲撞 学习1 次 有冲撞 无冲撞 学习2 次 有冲撞 无冲撞 学习3 次 有冲撞 无冲撞 学习4 次 有冲撞 无冲撞 学习5 次 有冲撞 无冲撞 学习6 次 有冲撞 无冲撞 学习7 次 有冲撞 无冲撞 学习8 次 有冲撞 无冲撞 学习9 次 有冲撞 无冲撞 学习10 次 有冲撞 无冲撞 学习10 次 有冲撞 例8-2 CMAC 逼近非线性函数 非线性函数 输入样本二维 杂散编码无冲撞 杂散编码有冲撞 杂散编码有、无冲撞 无冲撞 输入样本 有冲撞 无冲撞 学习0次 有冲撞 无冲撞