十一章小脑模型神经网络指导分析.ppt

第十一章 小脑模型（CMAC）  神经网络 ;第十一章 小脑模型（CMAC） 神经网络 ; 11-2-1 概念映射（U——AC） ;11-2-2 实际映射（AC——AP） ;11-2-3.杂散存储 ;11-3 CMAC算法及程序语言描述; 11-3-2 学习算法分析 ;;11-4 CMAC网络的泛化能力;11-4-1 CMAC网络泛化指标;11-4 CMAC网络的泛化能力;11-4 CMAC网络的泛化能力; 格雷码(英文：Gray Code，又称作葛莱码，二进制循环码)是1880年由法国工程师Jean-Maurice-Emlle Baudot发明的一种编码，是一种绝对编码方式，典型格雷码是一种具有反射特性和循环特性的单步自补码，它的循环、单步特性消除了随机取数时出现重大误差的可能，它的反射、自补特性使得求反非常方便。函数真实值如下图所示。 ;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（ 在无碰撞情况下）。 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。;6） 高阶CMAC：为提高逼近精度，也可提高接收域函数的阶次，若下图2为0次接收域函数，高阶CMAC用1次接收域函数，见下图。;例;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;杂散编码有、无冲撞;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11-2 用CMAC逼近非线性函数。;（b） （c） （d） （e）;例11-2;非线性函数;输入样本二维;;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=