(3.236.231.14) 您好!臺灣時間:2021/04/11 23:39
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:劉君舫
論文名稱:小腦模型控制器(CMAC)學習方法之研究
論文名稱(外文):The stud of CMAC learning approaches
指導教授:楊英魁楊英魁引用關係
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:電機工程系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
中文關鍵詞:小腦模型控制器學習干擾可信度分配
相關次數:
  • 被引用被引用:4
  • 點閱點閱:2714
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:220
  • 收藏至我的研究室書目清單書目收藏:0
小腦模型控制器屬於類神經網路的一種,其優點包括快速的學習收斂速度、良好的區域類化能力、構造簡單易於處理、容易以硬體實現等。
小腦模型控制器的學習方式是採用監督式學習法,利用學習過程中實際與期望輸出值間的誤差來調整其記憶體內含值,訓練方式是採將學習誤差平均分配給輸入狀態映對的各個記憶單元做更新,而其學習的過程中有所謂學習干擾的現象,此現象可能會影響學習的速度與準確度,觀察傳統小腦模型控制器的記憶單元更新式,可發現誤差分配量與學習率為兩個主要影響小腦模型控制器學習效能的地方,為改善學習干擾所造成的影響,本論文改變傳統小腦模型控制器學習時的平均分配方式,提出一個利用可信度分配觀念的方法來對各個記憶單元分配誤差學習量。另外,小腦模型控制器的記憶單元在經過不斷的訓練後,其內含資訊將逐漸達到一定的準確度,本論文根據此觀點提出一個學習率調整方式,此方式賦予每個記憶單元一個學習率,並依照每個記憶單元被訓練過的次數來進行調整,期能使小腦模型控制器擁有更準確的學習能力。
中文摘要 ....................................................i
英文摘要 ...................................................ii
誌 謝 ..................................................iii
目 錄 ...................................................iv
圖 目 錄 ...................................................vi
第一章 緒論 ................................................1
1.1 前言................................................1
1.2 研究目的 ...........................................2
1.3 論文大綱 ...........................................3
第二章 小腦模型控制器的理論基礎與文獻探討...................4
2.1 傳統小腦模型控制器之理論背景 .......................4
2.1.1 基本架構 .......................................4
2.1.2 記憶單元分配方式 ...............................6
2.1.3 學習方式 .......................................7
2.1.4 學習干擾 .......................................8
2.2 可信度分配之小腦模型控制器 .........................9
2.2.1 以超立方塊學習次數為依據的可信度分配小腦模型控制器 .............................................9
2.2.2 以鄰近狀態為依據的可信度分配小腦模型控制器 ....12
2.3 可微分小腦模型控制器 ..............................14
2.4 本章結論 ..........................................17
第三章 可信度分配小腦模型控制器 ...........................19
3.1 以超立方塊大小作為可信度分配依據的小腦模型控制器 ..19
3.1.1 超立方塊的觀察與分析 ..........................19
3.1.2 可信度設定方式 ................................24
3.1.3 記憶單元更新方式 ..............................25
3.2 以超立方塊學習次數為依據的小腦模型控制器學習率調整 25
3.3 可信度分配與學習率調整的並用 ......................29
第四章 實驗與結果 .........................................30
4.1 與傳統小腦模型控制器的比較 ........................30
4.1.1 傳統與可信度分配小腦模型控制器的比較 ..........30
4.1.2 傳統與學習率調整小腦模型控制器的比較 ..........32
4.1.3 可信度分配與學習率調整並用之實驗結果 ..........34
4.2 與其他可信度分配小腦模型控制器的比較 ..............35
4.2.1 與以超立方塊學習次數為依據的可信度分配小腦模型控制器的比較 ....................................36
4.2.2 與以相鄰狀態為依據的可信度分配小腦模型控制器的比較 ............................................37
4.3 與GBF_CMAC的比較 .................................38
4.4 各種學習方法總比較 ................................40
第五章 結論 ...............................................42
附錄一 ....................................................44
附錄二 ....................................................46
附錄三 ....................................................48
附錄四 ....................................................49
附錄五 ....................................................50
附錄六 ....................................................51
附錄七 ....................................................52
參考文獻 ..................................................53
作者簡介 ..................................................55
[1] J. S. Albus, “A New Approach to Manipulator Control: The Cerebellar Model Articulation Controller (CMAC)”, ASME J. Dynamic Systems, Measurement, Control, pp.220-227, 1975.
[2] J. S. Albus, “Data Storage in the Cerebellar Model Articulation Controller (CMAC)”, ASME J. Dynamic Systems, Measurement, Control, pp.228-233, 1975.
[3] J. Nie and D. A. Linkens, “A Fuzzified CMAC Self-learning Controller”, IEEE International Conference on Fuzzy Systems, vol.1, pp.500-505, 1993
[4] W. T. Miller, F. H. Glanz and L. G. Kraft, “CMAC: An Associative Neural Network Alternative to Backpropagation”, Proceedings of the IEEE , vol.78 , no.10 , pp.1561 — 1567, 1990
[5] David E. Thompson and Sunggyu Kwon, “Neighborhood Sequential and Random Training Techniques for CMAC”, IEEE Transaction on Neural Networks, vol.6, no.1, pp.196-202 1995
[6] S. F. Su, T. Tao, and T. H. Hung, “Credit Assigned CMAC and Its Application to Online Learning Robust Controllers”, IEEE Transaction on System, Man, and Cybernetics-Part B: Cybernetics, vol.33, no.2, pp.202-213, 2003
[7] H. C. Lu and J. C. Chang, “Enhance the Performance of CMAC Neural Network via Fuzzy Theory and Credit Apportionment”, IEEE Proceedings of the 2002 International Joint Conference on Neural Networks, vol.1, pp.715-720, 2002
[8] C. T. Chiang and C. S. Lin, “Integration of CMAC and Radial Basis Function Techniques”, IEEE International Conference on Systems, Man and Cybernetics, ''Intelligent Systems for the 21st Century'', vol.4, pp. 3263-3268, 1995
[9] C. T. Chiang and C. S. Lin, “CMAC with General Basis Functions”, Neural Networks, vol.9, no.7, pp.1199-1211, 1996
[10] M. F. Yeh and H. C. Lu, “On-Line Adaptive Quantization Input Space in CMAC Neural Network”, IEEE International Conference on Systems, Man and Cybernetics, vol.4, 2002
[11] H. M. Lee and C. M. Chen, “Self-Organizing HCMAC Neural-Network Classifier”, IEEE Transaction on Neural Networks, vol.14, no.1, pp.15-27, 2003
[12] J. C. Jan and S. L. Hung, “High-order MS_CMAC Neural Network”, IEEE Transaction on Neural Networks, vol.12, no.3, pp.598-603, 2001
[13] C. S. Lin and C. T. Chiang, “Learning Convergence of CMAC Technique”, IEEE Transaction on Neural Networks, vol.8, no.6, pp.1281-1292, 1997
[14] J. S. Albus, ”A Model of the Brain for Robot Control, Part2: A Neurological Model”, BYTE, vol.4, no.7, pp.54-95,1979
[15] Y. Iiguni, “Hierarchical Image Coding via Cerebellar Model Arithmetic Computers”, IEEE Transaction on Image Processing, vol.5, no.10, pp.1393-1401, 1996
[16] J. S. Ker, Y. H. Kuo, R. C. Wen and B. D. Liu, “Hardware Implementation of CMAC Neural Network with Reduce Storage Requirement”, IEEE Transaction on Neural Networks, vol.8, no.6, pp.1545-1556, 1997
[17] R. Smalz and M. Conrad, “Combining Evolution with Credit Apportionment: A New Learning Algorithm for Neural Nets”, Neural Networks, vol.7, no.2, pp.341-351, 1994
[18] V. L. Plantamura, B. Soucek, and G. Visaggio, “Holographic Fuzzy Learning for Credit scoring”, Proceeding of the International Joint Conference on Neural Networks, vol.1, pp.729-732, 1993
[19] 陳宏謀, “植基於小腦模型補償之狀態控制回授控制器設計”, 碩士論文, 國立台灣師範大學工業教育研究所, 民91
[20] 王彥評, “結合模糊與可信度分配之強健性小腦模型控制器”, 碩士論文, 國立台灣科技大學電機工程系, 民90
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 康順興,〈刑事訴訟適用正當法律程序原則之探討〉,刑事法雜誌,第43卷第4期﹙1999年8月﹚。
2. 城仲模,〈『法律保留』之現代意涵〉,月旦法學,第98期﹙2003年7月﹚。
3. 林永謀,〈關於刑事訴訟制度之改革與刑訴法第一六三條之修正─兼及於刑訴法第一六一條─〉,法令月刊,第51卷第10期﹙2000年10月﹚。
4. 林永謀,〈刑事訴訟之法律關係變化與訴訟條件〉,法令月刊,第45卷第6期,﹙1994年6月﹚。
5. 許育典,〈法治國〉,月旦法學教室,第7期﹙2003年5月﹚。
6. 林永謀,〈刑事訴訟之目的與其趨向〉,刑事法雜誌,第41卷第4期﹙1997年8月﹚。
7. 李建良,〈行政程序法與正當法律程序─初論行政程序法的立法目的與規範內涵〉,憲政時代,第25卷第3期﹙2000年1月﹚。
8. 李建良,〈『合法』的違章建築?─『不確定法律概念』與『行政裁量』〉,收錄於:《月旦法學教室﹙1﹚公法學篇》,﹙元照,2000年﹚。
9. 吳祚丞,〈論刑事程序中之證據取得〉,萬國法律,第128期﹙2003年4月﹚。
10. 何賴傑,〈對於法院依職權調查證據相關法條之對案,刑事訴訟法改革對案系列研討會之二:法院依職權調查證據之範圍與限制〉,月旦法學,第51期﹙1999年8月﹚。
11. 何賴傑,〈事實審法院蒐證據之義務─評最高法院87年度台非字第1號判決〉,政大法學評論,第61期﹙1999年6月﹚。
12. 何賴傑,〈正當法律程序原則─刑事訴訟法上一個新的法律原則?〉,憲政時代,第25卷第4期﹙2000年4月﹚。
13. 陳志龍,〈當事人進行主義與無罪推定原則〉,萬國法律,第105期﹙1999年6月﹚。
14. 陳志龍,〈辯護人→刑事司法機關→法治國家原則(下)〉,律師雜誌,第210期﹙1997年3月﹚。
15. 陳春生,〈行政法學的未來發展與行政程序法─月旦法學雜誌發行百期誌慶〉,月旦法學雜誌,第100期﹙2003年9月﹚。
 
系統版面圖檔 系統版面圖檔