神经网络课程设计 神经网络用于机器手臂的控制
epoch = 1 SSE = 0.926 epoch = 2 SSE = 0.231 epoch = 3 SSE = 0.058 epoch = 4 SSE = 0.014 epoch = 5 SSE = 0.004 epoch = 6 SSE = 0.001 epoch = 7 SSE = 0.000 epoch = 8 SSE = 0.000
从上述可以看出在第六次训练的时候在规定的误差精度权值的分布已经很好的满足条件。同时可以看出cmac算法的优越性，在很少次数训练仍然可以达到很好的效果，从三次权值分布可以看出，权值分布形状大致是一样的，可以看出在很少的步骤就可以达到效果，所不同的就是精度问题。而精度可以从误差SSE看出。
在实际程序中同时还使用cmac算法对波形为阶梯波形以及脉冲波形进行训练。应用程序可以得到相应的训练结果（如下图）
梯形波形
张建文 1030319100 张卜南1030319078
神经网络课程设计 神经网络用于机器手臂的控制
权值分布
脉冲波形
张建文 1030319100 张卜南1030319078
神经网络课程设计 神经网络用于机器手臂的控制
权值分布
从各个不通的波形可以看出所做算法的正确性，最后按照实验要求对机器人控制的模拟.同样按照课本上的思路，由于它是五维的输入，算法相对复杂一些。（见附录程序二）
课程设计要求以及原理请看《神经网络与模糊控制》P151-156的详细说明。其中最主要的部分通过cmac控制器实现，具体的学习原理可以看前面的具体叙述。
张建文 1030319100 张卜南1030319078
神经网络课程设计 神经网络用于机器手臂的控制
同样通过图形观察训练情况如图：
训练一次的情况：
误差和的均方根是：SSE=5.0533e-005
张建文 1030319100 张卜南1030319078
神经网络课程设计 神经网络用于机器手臂的控制
训练第二次情况： SSE=5.0439e-006
训练第三次 SSE = 4.7503e-006
张建文 1030319100 张卜南1030319078