[发明专利]基于混沌自主发育神经网络的场景识别方法、装置及系统有效

专利信息
申请号: 201711105545.9 申请日: 2017-11-10
公开(公告)号: CN107832833B 公开(公告)日: 2021-12-21
发明(设计)人: 陆强;马振鹏;李文锋;彭磊 申请(专利权)人: 山东第一医科大学(山东省医学科学院)
主分类号: G06N3/04 分类号: G06N3/04;G06N3/08;G06K9/00
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 张勇
地址: 250012 山*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 混沌 自主 发育 神经网络 场景 识别 方法 装置 系统
【说明书】:

发明公开了一种基于混沌自主发育神经网络的场景识别方法、系统及装置,该系统包括图像采集装置采集待识别场景图像,并传输至所述基于混沌自主发育神经网络的场景识别装置;和基于混沌自主发育神经网络的场景识别装置根据图像库训练混沌自主发育神经网络,所述训练混沌自主发育神经网络包括:根据减均值处理和白化处理后的输入图像选择Y层突触权重,得到Y层突触权重混沌序列,同时随机Z层初始化突触权重,对每一神经元突出权重进行更新,直至完成迭代;接收采集的待识别场景,根据训练好的混沌自主发育神经网络进行场景识别。本发明克服了原有算法神经元激活数量少不能达到结果最优的缺点,实现了智能的场景识别。

技术领域

本发明属于机器人场景识别的技术领域,尤其是涉及一种基于混沌自主发育神经网络的场景识别方法、装置及系统。

背景技术

机器人在非结构化环境中的场景识别是目前的研究热点。传统的机器人场景识别方法都是在特定任务编程的基础上,基于场景图像底层特征的提取,再利用机器学习的方法进行场景识别完成定位。然而,其识别正确率与视觉特征提取、机器学习参数选取均有密切关系,每次面对新场景时需要重新计算,不具备增量学习能力。因此,人们希望机器人可以有人的思维方式,从以往经历中进行学习,并将学习结果以“知识”的形式有效储存,形成具有感知、认知能力并独立完成任务的智能体。

根据上述对机器人场景识别的新要求,研究者提出人工生命的概念,利用“进化”的群体模型,遵循生物的演化规律,从十分简单的自主系统渐渐构筑更复杂的智能系统,为人工智能研究提供了新概念;研究者提出了自主发育思想,让机器人主动辨认周围环境,并形成自己的真正内在知识。与传统方法不同的是发育算法是基于非特定任务编程的,只要给机器人编好发育程序,机器人就能够进行自主学习,并适应各种复杂环境,完成非特定任务。但是现有的机器人场景识别技术存在主要存在以下缺点:

(1)目前,机器人自主发育过程是监督学习模式,还是需要人工进行不停的指导学习,因此基于仿生学的强化学习的发育过程是研究新方向。

(2)对于现有的发育神经算法,神经元激活数量少,大脑神经层神经元突触权重与效应层神经元突触权重低,获胜输出端个数少,不能达到结果最优。

综上所述,针对现有技术如何进一步有效实现机器人的场景自主识别,以及如何进一步提高机器人的场景自主识别的精度问题,尚缺乏有效的解决方案。

发明内容

针对现有技术中存在的不足,解决现有技术中如何进一步有效实现机器人的场景自主识别,以及如何进一步提高机器人的场景自主识别的精度问题,本发明提供了一种基于混沌自主发育神经网络的场景识别方法、装置及系统,在非结构化环境中的场景识别,在自主发育神经算法的研究之上,加入混沌算法,基于仿生学的强化学习的发育过程,利用混沌具有的遍历性,训练混沌自主发育神经网络,并基于训练好的混沌自主发育神经网络进行场景识别,克服了原有算法神经元激活数量少不能达到结果最优的缺点,实现了智能的场景识别。

本发明的第一目的是提供一种基于混沌自主发育神经网络的场景识别方法。

为了实现上述目的,本发明采用如下一种技术方案:

一种基于混沌自主发育神经网络的场景识别方法,该方法包括:

根据图像库训练混沌自主发育神经网络,所述训练混沌自主发育神经网络包括:根据减均值处理和白化处理后的输入图像设置Y层突触权重,得到Y层突触权重混沌序列,同时随机设置Z层突触权重;对每一神经元突出权重进行更新,直至完成迭代;

接收采集的待识别场景,根据训练好的混沌自主发育神经网络进行场景识别。

在本发明中,在非结构化环境中的场景识别,在自主发育神经算法的研究之上,加入混沌算法,基于仿生学的强化学习的发育过程,利用混沌具有的遍历性,训练混沌自主发育神经网络,并基于训练好的混沌自主发育神经网络进行场景识别,克服了原有算法神经元激活数量少不能达到结果最优的缺点,实现了智能的场景识别。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东第一医科大学(山东省医学科学院),未经山东第一医科大学(山东省医学科学院)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201711105545.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top