[发明专利]基于蝙蝠算法优化BP神经网络双目视觉标定

权利要求书

1.基于蝙蝠优化BP神经网络双目视觉标定方法，其特征在于包括以下步骤：

步骤a：确定BP神经网络隐含层层数、输入、输出节点数；

步骤b：利用经验公式确定隐含层节点数范围，通过单因素方差分析法确定最佳隐含层节点数；

步骤c：利用蝙蝠算法对BP神经网络的权重与偏置选取最优值；

步骤d：确定BP神经网络结构的各参数值，使像素点数据分布学习物方点数据分布，完成标定。

2.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤a具体为：

建立四种不同层数的BP神经网络双目视觉模型，采用实验法确定BP神经网络最佳的隐含层层数为3。根据双目视觉标定模型，如下所示，确定双目视觉标定时像素点为4个，物方点为3个。

在上式中i为摄像机的数量，1≤i≤2，i∈Z+，f为摄像机的焦距，r_i、T_i为世界坐标系到两台摄像机坐标系转换的旋转矩阵与平移矩阵，u_0i、v_0i是图像坐标系原点在像素坐标系中的坐标，dx、dy分别是像素坐标系在X方向和Y方向相邻像素间的距离。

3.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤b具体为：

BP神经网络视觉标定中隐含层节点数范围确定公式为经验公式，是：

其中n为输入层节点数，m为输出层节点数、L为隐含层节点数，a为常数。

BP神经网络视觉标定中隐含层节点确定方法为单因素方差分析法，分布函数为F分布，是：

其中S₁、S₂为比较的两个样本间的标准差，k为第一组样本中的自由度，m为第二组样本的自由度。

单因素方差分析的样本为BP神经网络的性能参数，是：

(1)迭代次数；(2)运行时间；(3)标定误差。

4.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤c具体为：

应用蝙蝠算法对神经网络视觉标定进行优化时，选择训练数据，产生输入层和隐含层之间的权值W_ij与阀值b_j，设定蝙蝠数量M、蝙蝠个体i、最大脉冲频度R(i)和最大脉冲声音强度A(i)，蝙蝠频度增加系数设为γ、声音强度衰减系数α、最大迭代次数N_max和搜索精度ε，随机初始化蝙蝠个体所在位置x_i (i＝1，2,…,M)，并搜寻位于最佳位置x_*蝙蝠个体；生成随机数R₁，假如R₁小于R(i)时，利用v^t+1_i＝v^t_i+(x^t_i-x_*)Q_i更新蝙蝠当前位置，其中Q_i表示第i只蝙蝠发出的声波，v^t_i表示在t时刻第i只蝙蝠的速度，x^t_i表示在t时刻第i只蝙蝠的位置；否则对蝙蝠当前位置进行扰动，扰动后位置代替当前位置；生成随机数R₂，假定R₂小于A(i)同时蝙蝠当前位置得到优化和改变，那么蝙蝠个体飞至更新后的位置；假如更新位置后蝙蝠个体i优于个体中最佳蝙蝠，那么更换掉目前的最佳蝙蝠个体，并根据公式A^t+1(i)＝αA^t(i)与R^t+1(i)＝R₀(i)×(1-e^-γt)调整蝙蝠脉冲频度R(i)和脉冲音强A(i)；经过一段时间运行，对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应地最优位置；输出函数全局最优解和最优个体值，输出函数的全局最优解，作为BP神经网络的权值和阀值。

5.根据权利1所述的一种基于蝙蝠算法优化BP神经网络双目视觉标定方法，其特征在于，所述步骤d具体为：

蝙蝠算法优化BP神经网络视觉标定中隐含层激活函数为对数几率函数，是：

蝙蝠算法优化BP神经网络视觉标定中训练方法为最速下降法，其作用是:通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

蝙蝠算法优化BP神经网络视觉标定中学习速率选取原则为经验选取原则，学习率越小，学习会越精细，但同时学习速度也会降低，学习率越大，学习速度会越快，但同时学习精度也会降低。