Regulador de la articulación del modelo de Cerebellar

Cerebellar Model Articulation Controller (CMAC) es un tipo de red neuronal basada en un modelo del cerebelo mamífero. También se conoce como el Ordenador Aritmético Modelo Cerebellar. Es un tipo de la memoria asociativa.

Descripción

El CMAC fue propuesto primero como un modelador de función para reguladores robóticos por James Albus en 1975 (de ahí el nombre), pero se ha extensivamente usado en el aprendizaje de refuerzo y también en cuanto a la clasificación automatizada en la comunidad de aprendizaje de la máquina. CMAC calcula una función, donde está el número de dimensiones de la entrada. El espacio de la entrada se divide en hiperrectángulos, cada uno de los cuales tiene que ver con una célula de memoria. Los contenido de las células de memoria son los pesos, que se ajustan durante la formación. Por lo general, más de un quantisation del espacio de la entrada se usa, de modo que cualquier punto en el espacio de la entrada tenga que ver con varios hiperrectángulos, y por lo tanto con varias células de memoria. La salida de un CMAC es la suma algebraica de los pesos en todas las células de memoria activadas por el punto de la entrada.

Un cambio de valor del punto de la entrada causa un cambio del juego de hiperrectángulos activados, y por lo tanto un cambio del juego de células de memoria que participan en la salida CMAC. La salida CMAC por lo tanto se almacena de una moda distribuida, tal que la salida correspondiente a cualquier punto en el espacio de la entrada se saca del valor almacenado en varias células de memoria (de ahí el nombre memoria asociativa). Esto proporciona generalisation.

Componentes básicos

A la imagen a la derecha, hay dos entradas al CMAC, representado como un espacio de dos dimensiones. Dos funciones de cuantificación han sido usadas para dividir este espacio con dos rejillas que se superponen (un mostrado en líneas más pesadas). Una entrada sola se muestra cerca del medio, y esto ha activado dos células de memoria, correspondiente al área sombreada. Si otro punto ocurre cerca de un mostrado, compartirá algunas mismas células de memoria, proveyendo generalisation.

El CMAC es entrenado presentando a pares de puntos de la entrada y valores de la salida, y ajustando los pesos en las células activadas por una proporción del error observado en la salida. Este algoritmo de formación simple tiene una prueba de convergencia.

Es

normal añadir una función del grano al hiperrectángulo, de modo que los puntos que se caen hacia el borde de un hiperrectángulo tengan una activación más pequeña que los que se caen cerca del centro.

Uno de los problemas principales citados en el uso práctico de CMAC es la talla de memoria requerida, que directamente se relaciona con el número de células usadas. Esto es por lo general ameriolated usando una función del picadillo, y sólo proporcionando el almacenaje de memoria a las células actuales que son activadas por entradas.

Adelante lectura

Enlaces externos



Buscar