【CMAC小脑】CMAC逼近sin(t)函数的训练和测试

% CMAC逼近sin(t)函数clear all;
close all;
clc;
t=[0:2*pi/360:2*pi];% 自变量t
y=sin(t);%因变量y
min_in=min(t);%输入自变量最小值
max_in=max(t);%输入自变量最大值
n=numel(t);%自变量的位数
size_n=360;%量化等级，越大精度越高
s=[1:size_n];%S空间，输入量化后的离散空间
train_num=180;%用于训练的样本个数
maxgen=50;%最大迭代次数
mse=zeros(1,maxgen);%均方误差向量
gen=0;%实际迭代次数
eta=1.0;%学习率η
error_goal=0.00001;%误差精度要求
A_star=6;%每个状态对应的关联单元个数
common_unit=5;%相邻关联组有相同关联单元个数
a_num=size_n*A_star-(size_n-1)*common_unit;%关联单元总数
a=ones(1,a_num);% a 向量
w=zeros(1,a_num);% 权值向量
% 获取训练样本 的输入和输出
train_in=zeros(1,train_num);%训练样本输入
train_out=zeros(1,train_num);%训练样本输出
for i=1:train_numtrain_in(i)=t(floor((i-1)*n/train_num+1));train_out(i)=y(floor((i-1)*n/train_num+1));
end
% 开始训练样本
for i=1:maxgengen=i;for j=1:train_nums_seq=floor((train_in(j)-min_in)/(max_in-min_in)*(size_n-1))+1;%量化空间S的序号w_seq=(s_seq-1)*(A_star-common_unit)+1;%权值序号ye(j)=sum(w(w_seq:w_seq+A_star-1));%实际输出        for k=w_seq:w_seq+A_star-1 %修正权值w(k)=w(k)+eta*(train_out(j)-ye(j))/A_star;end        enderror=0;for j=1:train_numerror=error+(train_out(j)-ye(j))^2;endmse(i)=error;if error<error_goal %误差达到目标值，退出训练break;end
end
%{
%对权值向量进行插值处理
for i=1:a_numif w(i)==0%找到第一个不为零的j=i;while(w(j)==0 && j<a_num)j=j+1;endif j<a_numfor k=i:j-1w(k)=w(j)-(k-i)*(w(j+1)-w(j));endendend
end
%}
%检验训练好的网络
for i=1:ns_seq=floor((t(i)-min_in)/(max_in-min_in)*(size_n-1))+1;%S序号w_seq=(s_seq-1)*(A_star-common_unit)+1;%权值序号yp(i)=sum(w(w_seq:w_seq+A_star-1));
end% 绘图
figure(1);
plot(t,y,'b',t,yp,'r--','linewidth',2);%原曲线和网络输出曲线
title('实际输出和网络输出对比');xlabel('t');ylabel('y-t,yp-t');
figure(2);
plot(train_in,train_out,'linewidth',2);
title('训练样本曲线');xlabel('train_in');ylabel('train_out');
figure(3);
plot([1:gen],mse(1:gen),'linewidth',2);
title('均方误差误差曲线');xlabel('Generation');ylabel('Mean Square Error');

【CMAC小脑】CMAC逼近sin(t)函数的训练和测试相关推荐

python机器学习 train_test_split()函数用法解析及示例划分训练集和测试集以鸢尾数据为例入门级讲解
文章目录 train_test_split()用法获取数据划分训练集和测试集完整代码脚手架 train_test_split()用法 python机器学习中常用 train_test_split ...
CMAC小脑模型神经网络与Python实现
CMAC 小脑模型神经网络简述 CMAC是cerebellar model articulation controller,一种模拟小脑的模型.小脑对肢体动作的操作是近似"反射" ...
利用BP神经网络逼近sin函数
利用神经网络逼近sin函数代码被改得面目全非就不贴了,思路很简单,(1,5,1)的网络,从-pi到pi取1000个点,单个往网络里扔,误差值直接用预测与真实值差值决定,保留正负号,正常求导,速率0. ...
【CMAC】基于CMAC小脑模型的人体行走姿态识别算法仿真
1.软件版本 matlab2019a 2.本算法理论知识 CMAC最大特点是局部逼近,因此它具有特殊的结构. 如上图,假设输入是二维,即X=(x1,x2)X=(x1,x2),x1,x2∈[0,5]x1 ...
用c语言实现cos(x)与sin(x) 函数以及“绝对值函数”和“阶乘函数”
本人发现网上基本上都是教你如何直接使用C语言库函数来调用cos与sin,但由于很多限制,特别硬件编程,必须要自己写cos和sin函数.网上也有几篇自己实现了cos与sin函数的文章,但是都只有单独实现 ...
R语言使用caret包构建岭回归模型（Ridge Regression ）构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程
R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型.通过method参数指定算法名称.通过trainControl函数控制训练过程目录
R语言使用party包中的ctree函数构建条件推理决策树（Conditional inference trees）、使用plot函数可视化训练好的条件推理决策树、条件推理决策树的叶子节点的阴影区域表
R语言使用party包中的ctree函数构建条件推理决策树(Conditional inference trees).使用plot函数可视化训练好的条件推理决策树.条件推理决策树的叶子节点的阴影区域表 ...
oxford5k和paris6k数据集介绍_sklearn函数：KFold（分割训练集和测试集）
上一篇介绍了train_test_split函数: 橘猫吃不胖:sklearn函数:train_test_split(分割训练集和测试集)zhuanlan.zhihu.com 主要场景是,我们想要将 ...
机器学习之数据集划分——训练集测试集划分，划分函数，估计器的使用
训练集测试集划分,划分函数,估计器的使用参考文章训练集.验证集和测试集的划分及交叉验证的讲解划分训练集和测试集的函数学习 sklearn数据集,数据集划分,估计器详细讲解参考文章训练集.验证 ...

【CMAC小脑】CMAC逼近sin(t)函数的训练和测试

【CMAC小脑】CMAC逼近sin(t)函数的训练和测试相关推荐

最新文章

热门文章