小腦神經網絡在礦工疲勞監測控制系統中的應用

李紅霞， 黃已芯，田水承，侯媛彬

(1.西安科技大學 管理學院，陜西 西安 710054；2.西安科技大學 能源學院，陜西 西安 710054；3.西安科技大學 安全科學與工程學院，陜西 西安 710054；4.西安科技大學 電氣與控制工程學院，陜西 西安 710054)

0 引 言

監測礦工疲勞水平是一種將多個隨機非線性監測信號進行多元信息融合的過程，其中，多個信號的監測精度與自學習程度是準確把握礦工疲勞水平最重要的環節[1-4]。已有的礦工疲勞水平監測的相關研究成果多聚焦于對礦工疲勞水平的單一信號或多生理與心理監測信號的描述性統計分析。在理論研究領域方面，Lal SKL，Ji Q，Karthaus Melanie和Kang Jiajie等利用EGG分析技術，監測出了人體疲勞程度，為后續研究人員對駕駛疲勞程度的研究提出了新的研究思路[5-6]。田水承、李乃文、邢娟娟、成波等運用Captiv行為生理測試儀、雙臂調節能力測定儀、Tobbi眼動儀等方法收集生理指標，分析了疲勞與不安全行為的影響關系，為提出智能化管控和智能化監測礦工疲勞程度提供了參考價值[7-11]。而對于實踐過程中，疲勞水平監測設備多為單一信號的監測與描述性分析(諸如疲勞檢測手環、檢測帽等)，此類設備的檢測原理是用皮電和腦電信號進行簡單描述性分析，最終通過統計形成的可視化界面反映人員的疲勞狀況，這在一定程度上豐富了智能化管控礦工疲勞的理論體系。但實際應用過程中，由于內在關系分析能力較弱、抗干擾能力差、環境適應力不強、監測數據與實際疲勞程度偏離度較大等缺點，至今仍未得到廣泛應用。

多元信息融合技術中的小腦神經網絡理論是1957年由Albus模仿人類小腦的學習結構對多維連續系統的自適應學習理論[12-14]。CMAC(Cerebella Model Articulation Controller)模型引進了許多算法，其中最具有代表性的是Kotani K，Juang Jih Gau和Lin Faa Jeng等將不同算法引入CMAC小腦模型，用于機器人關節控制、遙感技術、反情報竊取系統等方面[15-17]；徐德、朱家群等基于PID并行算法控制基礎和模糊理論，將神經網絡理論CMAC模型與模糊PID控制結合，提高了控制精度并且具有了良好的自適應能力[18]。在模式識別方面，火力安全發電關鍵設備故障診斷的CMAC算法被作為拓展應用范圍的奠基石；侯媛彬等利用改進CMAC神經網絡與設備故障診斷檢驗相結合，描述了CMAC算法診斷出關鍵設備故障的原理[20]。鑒于CMAC神經網絡可實現非線性映射，某種程度上可解決單一信號監測對礦工疲勞程度監測的缺陷，但對信號內在結構還未開展深入討論。筆者采用多元信息融合方法，基于神經網絡理論，通過多傳感器獲取礦工疲憊狀態的多元異類信號與疲勞特征，依據人因安全理論的2個維度，將礦工生理與心理行為進行多級別、多方面和多層次的監測，使得礦工出現疲勞跡象時就發出警報，當疲勞狀況超出礦工的生理負荷范圍時，操作機械系統強迫停止，實現自動化管控的水平。這對后續礦工疲勞監測與控制系統的開發與設計，為降低礦工疲勞生產具有非常重要的意義。

1 CMAC神經網絡模型

CMAC神經網絡模型實質為只能式自適應查表系統，利用多監測數據信號形成特征向量，將多指標的數據通過隱含層運算轉化為小物理量的儲存單元，發掘數據之間的內在結構與特征[21]。人體雖然受到不同的運動與時段影響，導致其疲勞程度復雜多變，但人體疲勞程度在時間序列上表現具有上升和周期性震蕩特點，這與小腦受到外界刺激所產生的反映模式具有相似之處。因此可發掘疲勞程度與多信號之間的關聯。

圖1所示為標準狀態下CMAC模型的網絡結構[21]。該模型由網絡輸入、概念映射、物理映射和網絡輸出4個部分組成，輸入狀態空間X為多維空間，對每一個輸出只有小部分的神經元(由輸入決定)與之相關，他的聯想具有局部泛化能力，即相似的輸入將產生相似的神經元構成線性或非線性關系并構成相對應的映射關系。因此，在構建模型過程要經過從X到輸入量化器M的映射、從M到空間存儲器A的映射、從A應用雜散技術到實際空間Ap的映射以及A p經過權值疊加到F映射這4個步驟。

圖1 標準狀態下的CMAC網絡結構Fig.1 Standard state of CMAC network structure

2 CMAC疲勞監測控制系統的構建

將不同的探測器材及其平臺、測量設備、傳感器以及終端設備，對互補或冗余的疲勞特征信息進行有機融合，進而建立疲勞生產的智能決策模型，對礦工是否疲勞生產進行監測，并準確可靠判斷，最后輸出報警信息或強制將所使用的機械進行被迫停止的要求，并將檢測結果實時顯示，具體系統結構如圖2所示。

圖2 多元信息融合的礦工疲勞檢測控制系統Fig.2 Miners fatigue monitoring and control system based on multivariate information fusion

礦工疲勞檢測控制系統的主要分為信息感知、疲勞特征識別、判斷決策和決策輸出4個階段。這4個階段，主要通過收集礦工務工期間不同時段人的眼皮閉合頻率、瞳孔渙散程度、心率、腦電信號、皮電信號及操作機械時長等方面信息完成對礦工的檢測與控制。

2.1 信息感知

雖然礦工所需要操作的工作程序較為簡單，但是，由于礦工容易受到外界的干擾和生理與心理條件的束縛，很難保證礦工會做出正確的選擇和行為來維護自身和生產的安全。因此，需要把抽象、信息感知階段的狀態定量化，對測試信號進行集中采樣，測試礦工疲勞感知瞬間的所有信息水平。

信息感知是系統監測的第一階段，由感受水平、知覺水平和注意力程度3個子模塊組成。通過感覺的瞬時記憶、接受信息瞬間情緒(知覺)和注意力的綜合反映。已有研究發現，信息感知部分的基本數據來自于大腦的alpha頻段的右枕葉和頂葉部位、beta頻段的中間區域、gamma頻段的左額葉和右顳葉、呼吸頻率和脈搏次數。

2.2 疲勞特征識別

在經過信息感知階段后，即可進入對礦工的疲勞特征識別階段，包括生理疲憊探測系統、心理情緒探測儀、操作時長信息面板3個子模塊。其中，生理疲憊探測系統的使用目的在于收集礦工務工期間的眼動水平、心率和腦信號等，而心理疲勞則通過腦電、皮電可以收集到礦工務工期間的心理活動狀態波動數據。最后為操作時長信息面板，它可以顯示礦工在務工期間的工作時長，以便收集該礦工在務工期間的疲勞時段的相關數據。

疲勞檢測控制系統所需儀器包括Neur One腦電測試儀、Bio Lab多導生理儀、Tobii Studio 眼動測試儀和計時器。根據每個儀器輸出的信號的不同測試部位進行梳理與分類，具體參數見表1.

表1 測試儀器系統相關信號的分類與整理Tab.1 Signal classification of test-instruments

2.3 判斷與決策輸出模型構建

礦工隨著工作時長的影響，自身的感覺器和生理記憶信息會傳輸到大腦，經過判斷如何行動和反應的過程。在礦工疲勞檢測控制系統第三階段，將判斷決策階段分為了預判層、模板層和決策層3個模塊，將比較器傳來的礦工生產行為和狀態進行識別，結合小腦神經網絡理論進行判斷與決策輸出。

該模型可對礦工監測數據進行分析，利用礦工疲勞過程中的違章狀態和行為發出報警和聲控信號來操縱控制所操作的機械，從而提醒礦工注意休息或謹慎工作，必要將報警信號傳輸至管理層安排輪班換崗，若信號未消除，則報警信號傳輸至該礦工所操作的機械或設備上，強制停工，避免因過度疲勞超負荷生產而導致事故的發生。

在礦工疲勞檢測控制系統中，主要通過各傳感器、信號接收器、探測儀等收集到礦工的感受信號、知覺信號、注意力信號、眼動狀況、心跳頻率及腦電信號、皮電信號以和操作時長等信息。因此，對礦工多生理信號進行如下的信息融合處理。

2.3.1 標準的界定與數據預處理

信號體系是統一整體，包含了信號的縱向層次關系和平行關系。其中，不同的指標反映著人體不同部位和不同程度的疲勞分屬的階段。可以將信號體系定為基礎層、信號層、系統層和目標層4個層次。將所監測的2個階段定為信息感知、疲勞特征識別連個層次。依據人體疲勞標準，形成生理監測信號對應人疲勞程度的評價標準，見表2.

表2 分類信號的疲勞水平標準劃分Tab.2 Classification signal of fatigue horizontal standard

為解決異類信號不兼容無法統一分析的問題，將粗大誤差樣本信號與缺失信號利用信號分布規律進行填補，將不同的信號進行異類信號的歸一化處理(標么化)。設原始連續信號f(t)在時間軸和頻率軸上都是緊支撐的，那么時域表示固定的區間[-tb/2，tb/2]上，頻域表示在區間[-fb/2，fb/2]上，tb和fb分別為信號的時寬和帶寬，信號時寬的帶寬積為N=tbfb，由于時域和頻域具有不同的量綱，則需將時域和頻域分別轉換成量綱為一的空間域上。因此引入時間量綱的尺度因子S，并定義新的尺度化坐標為

(1)

新坐標系(x，v)實現了量綱歸一化(量綱為1)，信號在新坐標系中被限定在區間[-tb/(2)，tb/(2S)]和[-fbS/2，fbS/2]內，使得2個區間長度相等，選擇時間量綱S為(tb/fb)1/2，則有區間長度為xb=(tbfb)1/2，即區間的歸一化為[-xb/2，xb/2].那么歸一化后的尺度因子S和歸一化寬度xb分別為

(2)

(3)

2.3.2CMAC信號分類結構與算法

如圖3所示為礦工疲勞監測控制系統的二維輸入/一維輸出的CMAC模型結構，具體測試信號見表1.20個信號從不同的時段輸出，把時段作為不同信號空間，稱為“段”；總共輸出的20個信號Y={y1，y2，…，y20}，稱為“因素”；由每個“因素”特征向量的維度，由每個“因素”組成的集合空間稱為“元素”，即每個部位的信號集合；而輸入變量被量化為n個離散的區域，即每個測量信號的信號組合為一個維度空間，把這個維度空間稱為“塊”，如本例中塊M=2，區的寬度影響CMAC的泛化能力。

圖3 礦工疲勞監測控制系統CMAC網絡結構Fig.3 Neural network contracture of miner fatigue monitoring and control system

那么，該系統的具體分層計算公式如下：

該系統總共分為3層，輸入層，融合層，輸出層。第一層即輸入層，分為2個階段，分別為設備輸入層和信號輸入層。

輸出層第一階段：實現將不同測試儀器的特征向量{a1，a2，…，a5}引入網絡。則有

(4)

輸出層第二階段：將設備輸入的信號特征向量{y1，y2，…，y20}引入網絡，為使對于A空間的每一個測試信號，在Y空間均存在唯一的映射。A存儲區中單元的個數至少等于Y空間的信號個數，則有輸出信號個數為

(5)

式中Yi(I2)為測試信號狀態點個數；yi為第n個測試信號；m為為信號輸入特征向量的維度。

第二層-融合層(中間層)。由于部分信號在不同時間段均有檢測功能，則有完成輸入信號特征向量的交叉融合的融合層(中間層)。滿足分割最優化，采用聚類分析中的最優分割法對交叉信號的前后時間進行分割。確保相同的監測信號在不同時段相互交錯影響而產生信號沖突。那么，則有

(6)

(7)

那么，融合層(中間層)輸出關系為

(8)

(9)

第三層輸出層。該層分為2個階段，第一階段用于實現以第二層求出的激活強度激活聯想單元中的聯想強度輸入，第二階段則進行輸出。其輸入輸出關系為

輸入關系Mij={x1ω1*x1ω2*…*xnωn}

(10)

(11)

式中ωn=1，2，…，n；*為乘機取小運算。

2.3.3CMAC的δ學習算法

CMAC的訓練學習主要是調整2組參數(xij，yij)，這2組參數的修正結合δ學習算法采用迭代法進行訓練。定義用F0標識對應輸入的D的期望輸出權值，F0=(F01，F01，F03，…，F0n)，權值調整公式為

ζ=F0j-F(X)

(12)

(13)

式中 |X*|為某一輸入元素中同時激活為1的信號集合X*中包含的興奮因素的個數；η為學習率。

通過上述對信號空間的分類，調整隸屬函數的中心值和寬度就類似調整了如圖2中“塊”的劃分方式和概括程度，從而達到調整模型內部的空間位置和對輸入的覆蓋程度的目的。由于在CMAC礦工疲勞監測控制系統中“塊”的劃分方式和概括程度可以實時調整，空間維數和存儲空間也將大幅減少。

3 釋例應用

實驗選自有煤礦工作經驗的32名男性，受試者年齡為19～29歲之間，平均年齡在22.5歲。利用構建疲勞監測和控制系統對被試者務工期間進行8 h的跟蹤式監測，監測時長為7日。依據上述構建的監測信號體系與判斷決策模型，將監測的數據作為釋例進行說明。設期望輸入的特征向量為{x1,x2}，每個論域上定義為2塊，則每個聯想單元占用的儲存單元數量為202=400個/min，那么，總共數據量為400×8×60×7=1 344 000個信號。在信息感知與疲憊特征識別這2個階段中，而從檢測角度來說，分為個體信號與信號檢測部位2個部分。把人的測試區域共分為腦、心臟、皮膚、肌肉、眼睛及工作時長，CMAC礦工疲勞監測控制系統所監測的每個元素由不同部位的信號點組合，對應的輸出向量為X={y1,y2,…,yn}表示一個監測部位信號點的個數。

3.1 信號預處理

本實驗需監測樣本信號1 344 000個，每一種信號監測112 000個。實際監測1 344 000個，所得有效信號樣本為1 343 974個，粗大誤差樣本10個，信號缺失16個，有效信號率為99.98%.利用不同信號的監測過程中分布情況，修正粗大誤差樣本信號并填補缺失信號，結合公式(1)至公式(3)對信號對監測信號進行標么化處理(歸一化)。部分分類信號的標么化(歸一化)處理結果見表3.

3.2 δ學習算法定權

為保證每個信號所占礦工疲勞水平的覆蓋比例自適應不同礦工個體的特殊性，利用Matlab2016a輸入公式(12)至公式(13)的δ學習算法進行編程并定權，權重計算結果見表4.

表3 礦工疲勞水平的多元異類信號標么化(歸一化)處理結果Tab.3 Miner’s fatigue level multivariate heterogeneous signal normalization(standardization)processing results

表4 δ學習算法的樣本信號定權Tab.4 δ Learning algorithm sample signal fixed weight

根據表5所列結果可知，檢測信號的重要度從高到低的排序依次皮溫>肌肉>瞳孔大小>腦電>眼皮閉合程度>瞳孔移動距離>呼吸>心率>工作時長>血壓，彌補了僅利用單一信號設備監測礦工疲勞水平“以偏概全”的缺點。

3.3 分析與驗證

在該系統中，假設信號體系有yij個，評價等級為nk，那么yij作為CMAC的網絡輸入，nk作為模型輸出。將網絡的輸入信號的每一“因素”依據人體疲勞水平標準界定劃分為4個等級，將選取的12個信號作為輸入，疲勞等級nk作為輸出。設定泛化參數C=6，取32名被試者的前6×105個信號樣本作為訓練樣本，其余作為檢驗樣本。運用Matlab 2016a軟件對公式(4)至(11)進行編程，具體結果如圖4所示。

圖4 CMAC網絡訓練誤差曲線Fig.4 Error parameter of CMAC network training

根據圖4曲線變化分析，前6×105個訓練樣本在第82次學習后基本和期望輸入值得偏離值為0.99，說明訓練效果良好。同時，CMAC網絡的收斂速度快，經過少量的輪訓次數，即可達到預期監控的水平。圖5為運用CMAC疲勞監控系統與傳統單一信號監測系統同時進行為期8小時監測的某一礦工的疲勞水平數據比較結果。由圖可知，利用實時性。

圖5 多元信息監測結果對比與分析Fig.5 Comparison of monitoring results and traditional single signal monitoring results

利用CMAC作為礦工疲勞監測與控制系統過程中的判斷與輸出層分析模型，監測值與礦工實際疲勞趨勢平均偏差不超過0.2，符合礦工疲勞監測精度要求。偏差為0.1～0.3的約占51.7%，0.4～0.7的約占32.2%，0.8～1.0的約占16.1%，證明CMAC網絡的疲勞監測與控制系統可靠，具有較強的泛化能力，在滿足精度監測要求的前提下，表現較快的收斂速度，這說明在監測應用方面明顯具有可適性和實時性。

利用剩余744 000個樣本對礦工進行疲勞監測，同樣采用Matlab 2014a的CMAC數據擬合代碼進行樣本的數據擬合，計算結果如圖6所示，32名被試者每日8小時跟蹤監測的一周疲勞水平，處于非常疲勞和輕微疲勞狀態的礦工人數較多，分別占總數41.2%和27.3%.其中，在無休息狀態下，礦工工作2～5 h內疲勞狀況最為嚴重，有3.68%礦工因務工前期未合理安排時間、心里倦怠等原因，開始工作時就處于非常疲憊的狀態。

圖6 被試礦工的疲勞水平數據擬合結果Fig.6 Comparison of fitting results between miner’s fatigue level

3.4 管控預案

在人體對聲波的敏感性研究基礎上，結合安全生產理論中的疲勞監測控制原理，分析監測結果，提出礦工疲勞水平管控預案

1)強制操作設備停車。依據金融風險規避理論，當礦工疲勞狀態已經超過身體負荷狀態時，礦工極易出現由于生理與心理的倦怠，因而導致礦工在生產過程中出錯率升高，該情形已成為高度危險的狀態。一旦有礦工由于急于賺錢的心理不愿離崗，危險發生，則后果無法承擔。因此，在高危狀態下，只有通過控制機械，強迫施工器械停車，迫使礦工停工休息，才能在生產過程中保護礦工不受到疲勞生產所帶來的危害；

2)強迫礦工換班/崗。依據金融風險對沖和風險轉移理論，當礦工處于較為疲憊狀態但還未超出身體負荷時。班組長接收到某礦工身體疲勞的報警提示，此時，班組長可采用礦工換班(崗)形式，將疲勞礦工調整到低危工作區，將無明顯疲勞狀態的礦工調整到高危工作區。以此將某些具有不同收益的崗位進行組合，利用風險對沖和風險轉移的特性保證當天的生產量；

3)發出調整狀態的提示。依據人體對聲波敏感性的特點，當礦工處于輕微疲勞時，對礦工務工期間發出調整狀態的提示音。提醒礦工調整當前疲勞務工的狀態，避免出現更嚴重的疲勞狀態。

依據提出的管控預案，結合CMAC自動輸出的管控結果，采用管控預案對上述32名礦工的疲勞務工狀態進行控制，具體CMAC自動輸出的管控結果如圖7所示。

圖7 不同疲勞水平的礦工控制策略結果Fig.7 Miner control strategy for different levels of fatigue

從圖7可知，9名礦工被強迫停車休息，占監控總人數的28.13%；6名礦工被調班(崗)，占監控總人數的18.75%；8名礦工接到調整狀態的報警提示，占監控總人數的25%；10名礦工務工期間未出現疲勞狀態，占總人數的31.25%.依據該分布狀態。可以針對不同礦區生產狀態，調整管控方法，為礦區的安全生產提供有力的保障。

4 結 論

從人因安全理論的2個維度和心理倦怠的6個階段，結合礦工務工期間的實際情況，分別從人體6個部位進行監測，結合神經網絡中小腦模型的理念與系統自篩選的特性，從多元信息融合的角度將監測方法從單一信號的監測上升到多元信號的監測，確定了監測礦工疲勞水平的12信號與指標，設計了礦工疲勞水平監測的信號體系。

在構建的監測信號體系的基礎上，依據CMAC模型結構和分類算法，構建了礦工疲勞監測控制系統模型，基于小腦神經網絡理論的礦工疲勞監測控制系統模型與單一信號監測礦工疲勞的系統相比，從結構上規避了從多對一的映射復雜性和耗時性，并解決了監測過程中信號交叉問題。提高了監測礦工疲勞水平的精度。

在建立礦工疲勞監測控制系統模型的基礎上，監控了32名礦工7天8小時的疲勞水平，以此為數據對模型進行了驗證，結果表明：處于非常疲勞和輕微疲勞狀態的礦工占多數，分別占總數的47.3%和41.2%.其中，在無休狀態下，礦工工作2～6 h時疲勞狀況最為嚴重，有少數礦工由于務工前期未合理安排時間、心里倦怠等原因也處于非常疲憊的狀態。依據礦工不同的疲勞狀態，提出了強迫機械被迫停車、強迫換班或報警提醒等措施。為后續礦工在務工時期的電子監測和仿真理論領域提供了一定的參考。

參考文獻(References)：

[1] 魏紹敏，田水承，陳勇剛.礦山人因事故的構成要素及分類初步研究[J].煤炭技術，2003，22(10)：1-2.

WEI Shao-min，TIAN Shui-cheng，Chen Yong-gang.Research on component factors and classification of mine personel accident[J].Coal Mine Technology，2003，22(10)：1-2.

[2] 孫繼平.煤礦井下人員位置監測系統聯網[J].煤炭科學技術，2009，27(11)：77-80.

SUN Ji-ping.Networking of underground mine personnel position monitoring and measuring system[J].Coal Science and Technology，2009，27(11)：77-80.

[3] Karthaus Melanie，Wascher Edmund，Getzmann Stepha-n.Proactive vs.reactive car driving：EEG evidence for different driving strategies of older drivers[J].Plos One，2018，13(1)：10-22.

[4] KANG Jia-jie，XU Bin-shi，WANG Hai-dou.Delamination failure monitoring of plasma sprayed composite ceramic coatings in rolling contact by acoustic emission[J].Engineering Failure Analysis，2018，86(3)：131-141.

[5] Lal Skl，Craig A.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology，2001，55(3)：63-77.

[6] Ji Q，Zhu Z W，Lan P L.Real-time nonintrusive monitoring and prediction of driver fatigue[J].IEEE Transactions on Vehicular Technology，2004，53(4)：1052-1068.

[7] 田水承，烏力吉，寇 猛，等.基于生理實驗的礦工不安全行為與疲勞關系研究[J].西安科技大學學報，2016，36(3)：324-330.

TIAN Shui-cheng，WU Li-ji，KOU Meng，et al.Relationship between miners’unsafe behavior and fatigue based on physiological experiment[J].Journal of Xi’an University of Science and Technology，2016，36(3)：324-330.

[8] YIN Wen-tao，FU Gui，YANG Chun，et al.Fatal gas explosion accidents on Chinese coal mines and the characteristics of unsafe behaviors：2000-2014[J].Safety Science，2017，92(6)：173-179.

[9] 李乃文，張 麗，牛莉霞.不同作業階段礦工安全注意力的事件相關電位研究[J].中國安全生產科學技術，2017，13(8)：96-101.

LI Nai-wen，ZHANG Li，NIU Li-xia.Research on event-related potentials for safety attention of miners in different operation stages[J].China Science and Technology Information，2017，13(8)：96-101.

[10] 邢娟娟.煤礦工人體能負荷與工傷事故關系研究[J].中國安全生產科學技術，2005，1(4)：19-21.

XING Juan-juan.Study in the relation between fatigue of coalminers and coal mine accidents in China[J].Journal of Safety Science and Technology，2005，1(4)：19-21.

[11] 成 波，馮睿嘉，張 偉，等.基于多源信息融合的駕駛人疲勞狀態監測及預警方法研究[J].公路交通科技，2009，26(3)：13-18.

CHENG Bo，FENG Rui-jia，ZHANG Wei，et al.Driver drowsiness detection and warning system based on multi-source information fusion[J].Journal of Highway and Transportation Research and Development，2009，26(3)：13-18.

[12] 周姝春.CMAC學習性能及泛化性能研究綜述[J].計算機仿真，2005，22(6)：5-7.

ZHOU Shu-chun.Reserarch on learning and generalization capability of CMAC：an overview[J].Computer Simulation，2005，22(6)：5-7.

[13] Albus J S.A new approach to manipulator control：the Cerebellar Model Articulation Controller(CMAC)[J].Journal of Electronic Control，1975，97(13)：220-227.

[14] Kotani K，Shibata T，Ohmi T.Impact of high-precision processing on the functional enhancement of neuron-MOS integrated circuits[J].IEEE Transform Electron，1996，79(3)：407-414.

[15] Juang Jih Gau，Lee Chia Lin.Applications of cerebellar model articulation controllers to intelligent landing system[J].Journal of Universal Computer Science，2009，15(13)：2586-2607.

[16] LIN Fa-jeng，LU Kuang-chin，YANG Bo-Hui.Recurrent fuzzy cerebellar model articulation neural network based power control of a single-stage three-phase grid-connected photovoltaic system during grid faults[J].IEEE Transactions on Industrial Electronics，2017，64(2)：1258-1268.

[17] 朱家群，鄒 凌，孫玉強.CMAC神經網絡與PID復合控制的應用研究[J].微計算機信息，2006，13(7)：59-61.

ZHU Jia-qun，ZOU Ling，SUN Yu-qiang.Application of CMAC neural network and PID compound control[J].Microcomputer Information，2006，13(7)：59-61.

[18] 徐 德，譚 民.一種FCMAC及在Wiener模型辨識中的應用研究[J].信息與控制，2002，31(2)：159-163.

XU De，TAN Min.A siso fuzzy FCMAC and its application in parameter identification of Wiener model[J].Information and Control，2002，31(2)：159-163.

[19] 侯媛彬，杜京義.改進小腦模型網絡的干式變壓器卷線機跑偏信號諧波分析[J].西安交通大學學報，2005，39(10)：1092-1096.

HOU Yuan-bin，DU Jing-yi.Harmonic wave analysis method of improved cerebellar model articulation control for coil winder of dry-type transformer[J].Journal of Xi’an Jiaotong University，2005，39(10)：1092-1096.

[20] Miller T W，Hewes R P，Glanz F J，et al.Real-time dynamic control of an industrial manipulator using a neural-network-based learning controller[J].IEEE Transactions Robot Automatic，1990，6(1)：1-9.

[21] Lane S H，Handelman D A，Gelfand J J.Theory and development of higher-order CMAC neural networks[J].IEEE Control System Magazine，1992，12(2)：23-30.