CMAC神經網絡概念映射及學習算法研究與應用.pdf

1、隨著Internet在線分類購物、彩色打印等應用普及，彩色圖像作為信息載體，越來越受到重視。當一幅彩色圖像經過若干操作平臺或圖像設備后，往往會造成顏色損失，如何使得到的彩色打印或顯示與原稿相一致，實現(xiàn)圖像色彩一致性，是色彩匹配（Color Matching）研究的核心內容，也是彩色信息處理領域的一項重要技術難題。國際ICC（International Color Consortium）Profile定義的多維色彩查找表是解決色彩一致性問

2、題的國際通用標準方法。但是，由于空間受限，色彩查找表只包含部分色彩信息，對于表中不存在的色彩輸入數(shù)據，需要利用插值的方法來解決。而色彩匹配涉及到不同顏色空間的高維非線性轉換，因此擁有非線性映射特性及高速并行處理能力的神經網絡顯得比較合適。本文采用CMAC（Cerebellar Model Articulation Controller Neural Network，小腦模型關節(jié)控制器）神經網絡來實現(xiàn)色彩查找表的插值任務，并取得了很好的效

3、果。
　　CMAC神經網絡采用查表技術，學習速度快、局部泛化能力強、易于硬件實現(xiàn)，適用于計算量大，要求學習速度快的機器人控制、模式識別、信號處理和色彩匹配等領域。
　　但是，CMAC神經網絡本身存在一些缺陷，如學習精度不高、因為地址碰撞問題產生噪聲，沒有全局泛化能力等，在一定程度上限制了CMAC神經網絡的發(fā)展和在某些領域的應用。因此，研究CMAC神經網絡的改進算法顯得十分重要和必要。
　　本文研究CMAC神經網絡的改進

4、算法，主要包括概念映射方法改進和學習算法改進兩方面。提出了一種新的基于主（反）次對角線的概念映射方法，該方法能夠在有限的存儲空間內獲得不錯的學習精度和泛化能力。此外，結合新的概念映射方法，對B樣條CMAC和模糊CMAC神經網絡進行了拓撲結構改進。通過仿真實驗證明，改進后的兩種神經網絡性能都得到了提高。此外，利用基于信度（Credit Assignment）分配的學習算法對CMAC神經網絡的LMS（Least Mean Square，最小