【原创】关于CMAC的编程

初学CMAC，在网上搜了半天，找到的CMAC程序看起来效果可以的，发现实际上是《先进PID控制MATLAB仿真(第二版)》( 作者：刘金琨 著 出版社：电子工业出版社)P186页的例子。

对该例子进行整理，规划出了几个功能函数。例如，CMAC的网络输出计算函数，程序如下：

function ym=CmacOut(u,M,N,C,w_1,xmin,xmax)%(u(k),y(k),M,N,C,w_1,w_2,xite,alfa,xmin,xmax)
%计算给定权值下CMAC网络的输出
%SISO系统CMAC神经网络的训练函数，本函数是在网上下载例程的基础上修正而来
%在这一次计算中，可以计算出CMAC网络的权值，并可以依据前步w值估算出当前的y值，即ym
%来自于对《先进PID控制MATLAB仿真(第二版)》P186页的例子整理所得结果
%输入参数中，u为网络输入；M为量化系数；N为权向量的个数；C为泛化系数；w_1为权向量的初始值
%xmin和xmax为网络输入参数u的下限和上限
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
w=w_1; %权向量增值的初始值
k=1;

s(k)=round((u(k)-xmin)*M/(xmax-xmin)); %量化，其中xmax为输入u的最大值，
%其中xmin为输入u的最小值 数据挖掘论坛

sum=0;
for i=1:1:C %图形匹配和Hash变换：起始地址
ad(i)=mod(s(k)+i,N)+1; %Table mapping and Hash transfer:Start address
%i=1为C个地址中的起始地址
sum=sum+w(ad(i)); %对起始地址开始的C个连续地址中对应的权值叠加
end

ym(k)=sum; %叠加所得和为网络给出来的估值
ym=ym(k);

CMAC的网络权值更新函数，程序如下：
function w=CmacUpdate(u,err,M,N,C,w_1,w_2,xite,alfa,xmin,xmax)%(u(k),y(k),M,N,C,w_1,w_2,xite,alfa,xmin,xmax)
%依据偏差信号修正CMAC网络的权值
%SISO系统CMAC神经网络的训练函数，本函数是在网上下载例程的基础上修正而来
%在这一次计算中，可以计算出CMAC网络的权值，并可以依据前步w值估算出当前的y值，即ym
%来自于对《先进PID控制MATLAB仿真(第二版)》P186页的例子整理所得结果
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
w=w_1; %权向量增值的初始值
d_w=zeros(length(w),1); %权向量增值的初始值
k=1;
s(k)=round((u(k)-xmin)*M/(xmax-xmin)); %量化，其中xmax为输入u的最大值，

数据挖掘工具

为了证明我的观点，不妨拿正弦函数为参考模型。
在已经建立前面的CMAC的两个函数后，采用以下程序进行分析和调用

%对CMAC网络的分块实现方法进行仿真
%对《先进PID控制MATLAB仿真(第二版)》P186页的例子整理所得
%这个算法有点问题
clear all;
close all;
%%%%%%%%%%%%%%%%%%%%%%%这部分为函数的参数设置过程%%%%%%%%%%%%%%%%%%%%%%%%
xite=1.5; %y和ym的偏差系数带来的权系数w的更新的比例系数η，参见42页式2.16
alfa=0.05; %权系数的前一步和前两步的变化差带来的比例系数，这个书上没有 数据挖掘实验室
M=1000; %量化时用到的系数
N=700; %权相量的维数，是不是就是A到AP映射的维数？
C=117; %泛化参数
ts=0.001; %采样时间T
xmin=-1.00; %其中xmin为输入u的最小值
xmax=1.00; %xmax为输入u的最大值，
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%采用正弦函数%%%%%%%%%%%%%%%%%%%%%%%%%%%
kk=1:1:755;
time=kk*ts; %计算给定的时间序列：t=kT
u=kk*ts;
y=sin(4*2*pi*u); %依据u和t之间的关系u=sin(4*2*pi*t)计算u的瞬时值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%这里是书中原本的非线性模型的生成过程，很弱智%%%%%
%u_1=0; %输入u(k-1)
%y_1=0; %输出y(k-1)
%for k=1:1:1000
%time(k)=k*ts; %计算给定的时间序列：t=kT
%u(k)=sin(4*2*pi*k*ts); %依据u和t之间的关系u=sin(4*2*pi*t)计算u的瞬时值
%y(k)=u_1^3+y_1/(1+y_1^2); %非线性模型
%u_1=u(k); %输入u(k-1)进行更新
%y_1=y(k); %输入y(k-1)进行更新

数据挖掘工具

程序有点长，分得比较细，我现在来一步一步的进行讨论。

数据挖掘实验室

然后建立正弦函数模型：

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%采用正弦函数%%%%%%%%%%%%%%%%%%%%%%%%%%%
kk=1:1:755;
time=kk*ts; %计算给定的时间序列：t=kT
u=kk*ts;
y=sin(4*2*pi*u); %依据u和t之间的关系u=sin(4*2*pi*t)计算u的瞬时值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

CMAC网络权向量等向量的初始化

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%这部分为原来函数中与权向量有关的向量的初始化过程%%%%%%%%%%%%%%%
w0=zeros(N,1); %地址空间中对应的权向量的初始值

前面一部分的for语句应该是这个部分的

这个部分是对CMAC的输出进行计算，并对权向量进行训练的过程

for k = 1:1:length(u)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%训练CMAC网络%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%注意这里的输入中有上一次计算出的权向量w%%%%%%%%%%%%%%%%%%
ym(k)=CmacOut(u(k),M,N,C,w_1,xmin,xmax);
err=y(k)-ym(k);
errvector(k) = err;
w=CmacUpdate(u(k),err,M,N,C,w_1,w_2,xite,alfa,xmin,xmax);
w_2=w_1; %权向量的前两次值，进行更新
w_1=w; %权向量的前一次值，进行更新
end

上面的errvector只是用来观测误差的变化情况，我发现它并不收敛

现在开始是书中对所建立的CMAC网络的评价效果分析

%%%%%%%%%%%%%%%%%%%测试CMAC网络的输出结果和真实值之间的对应关系%%%%%%%%%%%%%%%
figure(1);
subplot(2,2,1)
plot(time,y,"b",time,ym,"r");
xlabel("time(s)");ylabel("y,ym");

数据挖掘论坛

这个效果分析看起来很不错，大家可以自己做图看看。

但实际上，我发现这个例子纯粹是胡扯，简直是骗人。因为这个例子中所训练的权向量w立即被用来估算下一步u输入时网络的输出。因为步长很小， ts=0.001，只能说明所训练的CMAC网络在有限区间的范围内可以逼近被模拟的对象。为了证明我的观点。准备以下程序：

%%%%%%%%%%%%%%%%%%%固定权值w，测试网络输出%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%采用正弦函数%%%%%%%%%%%%%%%%%%%%%%%%%%%
kk1=(kk(length(kk))-deltak):1:(kk(length(kk))+deltak);
time1=kk1*ts; %计算给定的时间序列：t=kT
u1=kk1*ts;
y1=sin(4*2*pi*u1); %依据u和t之间的关系u=sin(4*2*pi*t)计算u的瞬时值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for k1 = 1:1:length(u1)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%训练CMAC网络%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%注意这里的输入中有上一次计算出的权向量w%%%%%%%%%%%%%%%%%% 数据挖掘论坛
ym1(k1)=CmacOut(u1(k1),M,N,C,w,xmin,xmax);

end
%%%%%%%%%%%%%%%%%%%测试CMAC网络的输出结果和真实值之间的对应关系%%%%%%%%%%%%%%%
subplot(2,2,3)
plot(time1,y1,"b",time1,ym1,"r");
xlabel("time1(s)");ylabel("y1,ym1");
grid on
subplot(2,2,4)
plot(time1,y1-ym1,"r");
grid on
xlabel("time1(s)");ylabel("delta=y1-ym1");

上一部分打头漏了点东西：

deltak=200;

这个变量的作用是建立一个范围。以CMAC训练时的最后一个输入值为中心建立起一个范围，这个变量即表现了范围的大小。运行上一部分程序，可以发现，所建立起的CMAC网络实际上只是在很有限的范围内能逼近被跟踪的模型。

通过对这个模型的分析，我发现CMAC并不象传说的那样效果好。

是否很多人都在骗人？无论是书上给出的算法或证明都说其效果如何良好。但实际上并非如此。

有三本书讲的算法与这类似。除了《先进PID控制MATLAB仿真(第二版)》外，还有《非线性自适应逆控制及其应用》（卢志刚等，国防工业出版社），《人工神经网络的模型及其应用》（张立明，复旦大学出版社）。还有许多许多的论文。 数据挖掘研究院

我不知道我错在哪里，还是大家都错了？

Create By Any-Extract(WL-AE) 数据挖掘研究院