论文部分内容阅读
针对多输入多输出系统,提出一种多维非线性函数的多神经网络学习方法,即用变量代换的方法把一个多维非线性函数分解为若干低维函数.用多个改进的低维小脑模型神经网络分别映射这些低维函数.在改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的负k次方成比例.大大提高了学习精度,且易于实现.仿真结果表明,当k为一适当数值时,用多个改进CMAC在容错控制中具有较快的学习速度和较高的精度.