[发明专利]结构光三维双视觉模型建模方法

权利要求书

1、一种结构光三维双视觉模型建模方法，其特征是，径向基函数神经网络(RBF神经网络)由三层组成，输入层设置两个节点，输出层设置三个节点，隐层节点中的作用函数采用高斯核函数，为 u j = exp [ - ( X - C j ) T ( X - C j ) 2 σ j 2 ] ]]>j＝1，2，..，N_h网络的输出为隐层节点输出的线性组合，即 y i = Σ i = 1 N k ω ij u j - θ = W i T U ]]>i＝1，2，3；

网络结构确定后，利用全局坐标系下采集的标定点数据对双视觉神经网络进行训练。

2、根据权利要求1所述的结构光三维双视觉模型建模立法，其特征是，利用标定点数据对双视觉神经网络进行训练的步骤如下：

(1)启动训练，初始化网络结构参数，包括高斯核函数的中心值，方差σ以及隐层一输出层权值阵W；

(2)设置网络训练参数学习率μ(k)，动量项α(k)以及期望的网络总体最小训练误差

(3)从内存中按顺序从N个训练样本中取出一组，将其中的输入训练样本(x_1i，x_2i)输入到网络的输入层；

(4)计算网络输出层三个节点的实际输出(y_o1i，y_o2i，y_o3i)，并分别计算其与网络期望输出(y_e1i，y_e2i，y_e3i)即输出训练样本的残差的平方和，累加到SUM中，即 SUM = SUM + Σ j = 1 3 ( y eji - y oji ) 2 ; ]]>

(5)按带动量项的梯度下降法来调整各个网络结构参数，具体的调整算法如下：

定义准则函数

计算准则函数J(E)对各个网络结构参数的偏导数值， ∂ J ( E ) / ∂ E | E = E ( k ) , ]]>并按下列公式来调整各个网络结构参数的值：

隐层-输出层连接权值矩阵W的调整式为 W ( k + 1 ) = W ( k ) + μ ( k ) × ( - ∂ J ∂ W ) | W = W ( k ) + α ( k ) × [ W ( k ) - W ( k - 1 ) ] ]]>隐层中心值矩阵C的调整式为 C ( k + 1 ) = C ( k ) + μ ( k ) × ( - ∂ J ∂ C ) | C = C ( k ) + α ( k ) × [ C ( k ) - C ( k - 1 ) ] ]]>隐层方差矩阵σ的调整式为 σ ( k + 1 ) = σ ( k ) + μ ( k ) × ( - ∂ J ∂ σ ) | σ = σ ( k ) + α ( k ) × [ σ ( k ) - σ ( k - 1 ) ] ]]>

(6)判断是否N组训练样本全都输入训练了一遍。如果不是，则回到(3)；如果是，则计算网络总体训练误差即均方差 E RMS = SUM / N ; ]]>

(7)判断E_RMS是否小于期望的值。如果不是，则回到(3)，并根据观察适当调整网络训练参数学习率μ(k)和动量项α(k)；如果是，则利用当前的网络模型，使用网络测试样本集合计算网络输出层各节点输出的测试误差。测试误差的计算按下式进行：

(8)判断测试误差，如果测试误差不能满足要求，则可以减小期望的网络总体最小训练误差返回到(3)继续训练或者返回到(1)重新开始训练；如果已经达到要求，则保存网络结构参数，结束训练。