跳到主要內容

臺灣博碩士論文加值系統

(44.222.218.145) 您好!臺灣時間:2024/03/04 16:11
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:林大為
研究生(外文):Lin,Ta-Wei
論文名稱:運用分群量化方式以改進CMAC之學習
論文名稱(外文):Improving CMAC Training by Clustering Quantization Methods
指導教授:林知行
指導教授(外文):Lin,Jy-Hsin
學位類別:碩士
校院名稱:華梵大學
系所名稱:工業管理研究所
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:1998
畢業學年度:86
語文別:中文
論文頁數:74
中文關鍵詞:類神經網路小腦模型田口方法模糊水準實驗設計
外文關鍵詞:Neural NetworkCMACTghchi MethodEDFL
相關次數:
  • 被引用被引用:0
  • 點閱點閱:167
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
小腦控制模式(CMAC: Cerebellar Model Articulation Controller)係類神經網路之一支,由於具快速學習及高概括性(generalization)之特性,而被廣泛地使用在控制領域上。惟其學習受到諸多因子影響,其中訓練參數之調整組合更決定了學習效果之好壞。本研究主要是提出一完整的模式建構分析理念,結合田口式實驗步驟與分析流程配合EDFL之模式架構,以決定CMAC模式中訓練參數之最佳組合。
本研究針對如何運用CMAC訓練資料的分析以建立分群量化之量化模式,以及運用田口方法以決定CMAC網路訓練參數設定之問題進行探討。主要在於依據CMAC模型中之量化程序提出一分群量化方式用以進行CMAC模型訓練以減低訓練誤差,再以田口式實驗設計方式進行CMAC最佳訓練參數之模擬實驗,而後更針對實驗設計分析中效果較顯著之因子以模糊水準之實驗設計模式(EDFL)加以分析,求得顯著因子間與訓練誤差之關係。
研究結果顯示:1)本研究所提出之分群量化方式,在概括等級較高時,其在收斂速度以及精確度的表現上較傳統線性方式為佳,惟經由田口方法之模擬實驗分析後發現,雖然分群量化方法對於CMAC之訓練誤差上之表現較傳統線性量化方式為優,但其改善效果在統計上並不顯著。2)使用田口式實驗設計法針對CMAC模型之訓練參數加以分析,發現影響近似函數訓練結果之較顯著因子及其貢獻度分別為:“解析度”(13.35 %)、“概括等級”(21.66)、“可用記憶體”(54.32 %)以及“學習率”(5.12 %)。

The CMAC (Cerebellar Model Articulation Controller) has been widely used in the field of control engineering due to its attractive properties of fast learning speed and powerful generalization capability. However, to construct a good CMAC model is complicated because it involves several learning parameters, such as generalization level, learning sample, learning rate, resolution, memory size, etc... The objective of this research is to propose well-structured methods to construct and analysis a CMAC model, so
that we can improve the performance of developing a suitable CMAC model for different applications.
We propose a clustering quantization method by analysis the training data. Due to the complex process and time consuming for setting parameters of CMAC training, we use the Taguchi experiment design method to resolve the problem. And we use EDFL method to discuss the relations between the dependent and independent variables.
The experiment result shows that: 1) The proposed clustering quantization method has a faster speed to converge and a better accuracy under a larger generalization level. However, through we verify the training of using proposed method has a smaller sum of square error than traditional method by using Taguchi method, but it does not pass the statistical significant test. 2) The analysis of Taguchi experiment design also shows that the significant factors and their contribution: "Resolution" (13.35%)、 "Genera
lization Level" (21.66%)、 "Memory Size"(54.32%) and "Learning rate" (5.12%).

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊