CMAC 网络逼近二元函数：
网络结构：
图 1 二维输入下的 CMAC 网络结构
将自变量 x
1
,x
2
离散化到二维的 S 空间。S 空间的每一维长度（正方形的长或宽包含的单元
格个数）取决于量化的精度，精度越高，对应的一维越大。每一个输入 (x
1
,x
2
)都被映射到 S
空间的一个单元格 s
ij
，s
ij
对应权值空间某一块区域，相邻两个 S 空间单元格在权值 w 空间
对应的区域块存在重叠，这便是 CMAC 的泛化功能。对 w 空间区域块求和可以得到在输入
(x
1
,x
2
)下的输出。
【参数说明】
dimen:
输入自变量的位数，此处为定值 2
min_in:
自变量的最小值/最大值数组
size_n:
量化空间（S 空间）的大小，即 S 空间的长和宽包含单元格数目，越大表示量化精度越高；
train_num:
用 于 训 练 的 二 维 自 变 量 的 数 目 ， 即 从 所 有 样 本 中 ， x
1
取 train_num(1) 个 ， x
2
的 值 取
train_num(2)个，用于网络训练；用于训练的样本越多，逼近效果越好；
mse:
每一遍训练（所有训练样本均训练一次）后，训练样本实际输出和期望输出之差（称为误
差）的平方和。
【运行结果】
-10
-5
0
5
10
-10
-5
0
5
10
-0.5
0
0.5
1
x1
期 望 输 出
x2
y
（a）期望输出曲面
资源评论
