虫虫首页| 资源下载| 资源专辑| 精品软件
登录| 注册

神经元

  • 神经网络在智能机器人导航系统中的应用研究

    神经网络在智能机器人导航系统中的应用研究1神经网络在环境感知中的应 用 对环境 的感 知 ,环境模型 妁表示 是非常重要 的。未 知 环境中的障碍物的几何形状是不确定的,常用的表示方浩是 槽格法。如果用册格法表示范围较大的工作环境,在满足 精度要求 的情况下,必定要占用大量的内存,并且采用栅 格法进行路径规划,其计算量是相当大的。Kohon~n自组织 神经瞬络为机器人对未知环境的蒜知提供了一条途径。 Kohone~冲经网络是一十自组织神经网络,其学习的结 果能体现出输入样本的分布情况,从而对输入样本实现数 据压缩 。基于 网络 的这些特 性,可采 用K0h0n曲 神经元 的 权向量来表示 自由空间,其方法是在 自由空间中随机地选 取坐标点xltl【可由传感器获得】作为网络输入,神经嘲络通 过对大量的输八样本的学习,其神经元就会体现出一定的 分布形 式 学习过程如下:开 始时网络的权值随机地赋值 , 其后接下式进行学 习: , 、 Jm(,)+叫f)f,)一珥ff)) ∈N,(f) (,) VfeN.(f1 其 中M(f1:神经元 1在t时刻对 应的权值 ;a(∽ 谓整系 数 ; (『l网络的输八矢量;Ⅳ():学习的 I域。每个神经元能最 大限度 地表示一 定 的自由空间 。神经 元权 向量的最 小生成 树可以表示出自由空问的基本框架。网络学习的邻域 (,) 可 以动 态地 定义 成矩形 、多边 形 。神经 元数量 的选取取 决 于环境 的复杂度 ,如果神 经元 的数量 太少 .它们就 不能 覆 盖整十空间,结果会导致节点穿过障碍物区域 如果节点 妁数量太大 .节点就会表示更多的区域,也就得不到距障 碍物的最大距离。在这种情况下,节点是对整个 自由空间 的学 习,而不是 学习最 小框架空 间 。节 点的数 量可 以动态 地定义,在每个学习阶段的结柬.机器人会检查所有的路 径.如检铡刊路径上有障碍物 ,就意味着没有足够的节点 来 覆盖整 十 自由窑 间,需要增加 网络节点来 重新学 习 所 138一 以为了收敛于最小框架表示 ,应该采用较少的网络 节点升 始学习,逐步增加其数量。这种方法比较适台对拥挤的'E{= 境的学习,自由空间教小,就可用线段表示;若自由空问 较大,就需要由二维结构表示 。 采用Kohonen~冲经阿络表示环境是一个新的方法。由 于网络的并行结构,可在较短的时间内进行大量的计算。并 且不需要了解障碍物的过细信息.如形状、位置等 通过 学习可用树结构表示自由空问的基本框架,起、终点问路 径 可利用树的遍 历技术报容易地被找到 在机器人对环境的感知的过程中,可采用人】:神经嘲 络技术对 多传 感器的信息进 行融台 。由于单个传感器仅能 提 供部分不 完全 的环境信息 ,因此只有秉 甩 多种传感器 才 能提高机器凡的感知能力。 2 神经 网络在局部路径规射中的应 用 局部路径 规删足称动吝避碰 规划 ,足以全局规荆为指 导 利用在线得到的局部环境信息,在尽可能短的时问内

    标签: 神经网络 智能机器人 导航

    上传时间: 2022-02-12

    上传用户:qingfengchizhu

  • 机器学习:人工神经网络

    人工神经网络提供了一种普遍且实用的方法从样例中学习值为实数、离散值或向量的函数反向传播算法,使用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的训练集合人工神经网络对于训练数据中的错误健壮性很好人工神经网络已被成功应用到很多领域,例如视觉场景分析,语音识别,机器人控制神经网络学习对于逼近实数值、离散值或向量值的目标函数提供了一种健壮性很强的方法对于某些类型的问题,如学习解释复杂的现实世界中的传感器数据,人工神经网络是目前知道的最有效的学习方法反向传摇成功例子,学习识别手写字符,学习识别口语,学习识别人脸生物学动机ANN受到生物学的启发,生物的学习系统是由相互连接的神经元组成的异常复杂的网络。ANN由一系列简单的单元相互密集连接构成的,其中每一个单元有一定数量的实值输入,并产生单一的实数值输出人脑的构成,大约有1011个神经元,平均每一个与其他104个相连神经元的活性通常被通向其他神经元的连接激活或抑制最快的神经元转换时间比计算机慢很多,然而人脑能够以惊人的速度做出复杂度惊人的决策很多人推测,生物神经系统的信息处理能力一定得益于对分布在大量神经元上的信息表示的高度并行处理

    标签: 机器学习 神经网络

    上传时间: 2022-04-08

    上传用户:trh505

  • VHDL 基础程序百例 FPGA 逻辑设计源码

    VHDL 基础程序百例 FPGA 逻辑设计源码VHDL语言100例第1例 带控制端口的加法器第2例 无控制端口的加法器第3例 乘法器第4例 比较器第5例 二路选择器第6例 寄存器第7例 移位寄存器第8例 综合单元库第9例 七值逻辑与基本数据类型第10例 函数第11例 七值逻辑线或分辨函数第12例 转换函数第13例 左移函数第14例 七值逻辑程序包第15例 四输入多路器第16例 目标选择器第17例 奇偶校验器第18例 映射单元库及其使用举第19例 循环边界常数化测试第20例 保护保留字第21例 进程死锁 第22例 振荡与死锁第23例 振荡电路第24例 分辨信号与分辨函数第25例 信号驱动源第26例 属性TRANSACTION和分辨信号第27例 块保护及属性EVENT,第28例 形式参数属性的测试第29例 进程和并发语句第30例 信号发送与接收第31例 中断处理优先机制建模第32例 过程限定第33例 整数比较器及其测试第34例 数据总线的读写第35例 基于总线的数据通道第36例 基于多路器的数据通道第37例 四值逻辑函数第38例 四值逻辑向量按位或运算第39例 生成语句描述规则结构第40例 带类属的译码器描述第41例 带类属的测试平台第42例 行为与结构的混合描述第43例 四位移位寄存器第44例 寄存/计数器第45例 顺序过程调用第46例 VHDL中generic缺省值的使用第47例 无输入元件的模拟第48例 测试激励向量的编写第49例 delta延迟例释第50例 惯性延迟分析第51例 传输延迟驱动优先第52例 多倍(次)分频器第53例 三位计数器与测试平台第54例 分秒计数显示器的行为描述6第55例 地址计数器第56例 指令预读计数器第57例 加.c减.c乘指令的译码和操作第58例 2-4译码器结构描述第59例 2-4译码器行为描述第60例 转换函数在元件例示中的应用第61例 基于同一基类型的两分辨类型的赋值相容问题第62例 最大公约数的计算第63例 最大公约数七段显示器编码第64例 交通灯控制器第65例 空调系统有限状态自动机第66例 FIR滤波器第67例 五阶椭圆滤波器第68例 闹钟系统的控制第69例 闹钟系统的译码第70例 闹钟系统的移位寄存器第71例 闹钟系统的闹钟寄存器和时间计数器第72例 闹钟系统的显示驱动器第73例 闹钟系统的分频器第74例 闹钟系统的整体组装第75例 存储器第76例 电机转速控制器第77例 神经元计算机第78例ccAm2901四位微处理器的ALU输入第79例ccAm2901四位微处理器的ALU第80例ccAm2901四位微处理器的RAM第81例ccAm2901四位微处理器的寄存器第82例ccAm2901四位微处理器的输出与移位第83例ccAm2910四位微程序控制器中的多路选择器第84例ccAm2910四位微程序控制器中的计数器/寄存器第85例ccAm2910四位微程序控制器的指令计数器第86例ccAm2910四位微程序控制器的堆栈第87例 Am2910四位微程序控制器的指令译码器第88例 可控制计数器第89例 四位超前进位加法器第90例 实现窗口搜索算法的并行系统(1)——协同处理器第91例 实现窗口搜索算法的并行系统(2)——序列存储器第92例 实现窗口搜索算法的并行系统(3)——字符串存储器第93例 实现窗口搜索算法的并行系统(4)——顶层控制器第94例 MB86901流水线行为描述组成框架第95例 MB86901寄存器文件管理的描述第96例 MB86901内ALU的行为描述第97例 移位指令的行为描述第98例 单周期指令的描述第99例 多周期指令的描述第100例 MB86901流水线行为模型

    标签: vhdl fpga

    上传时间: 2022-05-14

    上传用户:

  • 神经网络原理 作者SimonHaykin 译者叶世伟等

    本书包含四个组成部分:导论,监督学习,无监督学习,神经网络动力学模型。导论部 分介绍神经元模型、神经网络结构和机器学习的基本概念和理论。监督学习讨论感知机学习 规则,有监督的Hebb学习,Widrow-Hoff学习算法,反向传播算法及其变形,RBF网络,正则 化网络,支持向量机以及委员会机器。无监督学习包括主分量分析,自组织特征映射模型的 竞争学习形式,无监督学习的信息理论,植根于统计力学的随机学习机器,最后是与动态规 划相关的增强式学习。

    标签: 神经网络

    上传时间: 2022-06-21

    上传用户:fliang

  • 神经网络设计+.+美国+Hagan.清晰版

    本书主要讲述神经网络的基本概念,介绍实用的网络模型、学习规则和训练方法。全书分19章,内容涵盖神经元模型和网络结构、感知机学习规则、有监督的Hebb学习、Widrow—Hoff学习算法、反向传播算法及其变形、联想学习、竞争网络、Grossberg网络、自适应谐振理论和Hopfield网络。书中注重对数学分析方法和性能优化的讨论,强调神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。同时本书包含大量例题、习题,并配有基于MATLAB软件包的“神经网络设计演示&

    标签: 神经网络

    上传时间: 2022-06-21

    上传用户:默默

  • 深度神经网络及目标检测学习笔记

    上面是一段实时目标识别的演示, 计算机在视频流上标注出物体的类别, 包括人、汽车、自行车、狗、背包、领带、椅子等。今天的计算机视觉技术已经可以在图片、视频中识别出大量类别的物体, 甚至可以初步理解图片或者视频中的内容, 在这方面,人工智能已经达到了3 岁儿童的智力水平。这是一个很了不起的成就, 毕竟人工智能用了几十年的时间, 就走完了人类几十万年的进化之路,并且还在加速发展。道路总是曲折的, 也是有迹可循的。在尝试了其它方法之后, 计算机视觉在仿生学里找到了正确的道路(至少目前看是正确的) 。通过研究人类的视觉原理,计算机利用深度神经网络( Deep Neural Network,NN)实现了对图片的识别,包括文字识别、物体分类、图像理解等。在这个过程中,神经元和神经网络模型、大数据技术的发展,以及处理器(尤其是GPU)强大的算力,给人工智能技术的发展提供了很大的支持。本文是一篇学习笔记, 以深度优先的思路, 记录了对深度学习(Deep Learning)的简单梳理,主要针对计算机视觉应用领域。

    标签: 深度神经网络 目标检测

    上传时间: 2022-06-22

    上传用户:

  • 人工智能:神经网络与深度学习

    神经网络神经网络是指用大量的简单计算单元构成的非线性系统,它在一定程度上模仿了人脑神经系统的信息处理、存储和检索功能,是对人脑神经网络的某种简化、抽象和模拟。1943年心理学家McCulloch和数学家Pitts合作提出了神经元的数学模型M-P神经元模型,证明了单个神经元能执行逻辑功能,从此开创了神经科学理论研究的时代。M-P模型,是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的神经元模型。权重当输入进入神经元时,它会乘以一个权重。例如,如果一个神经元有两个输入,则每个输入都将具有分配给它的一个关联权重。随机初始化权重,并在模型训练过程中更新这些权重。偏置除了权重之外,另一个被应用于输入的线性分量被称为偏置。它被加到权重与输入相乘的结果中。添加偏置的目的是改变权重与输入相乘所得结果的范围。激活函数激活函数的主要作用是加入非线性因素,以解决线性模型表达能力不足的缺陷,在整个神经网络中至关重要。常用的激活函数有Sigmoid、Tanh、ReLU。

    标签: 人工智能 神经网络 深度学习

    上传时间: 2022-06-24

    上传用户:得之我幸78

  • PID详解-算法篇

    前言说明控制的方法远远不止PID这一招,在许多场合也未必是最佳的控制算法。对于学习能力较好的师弟也可以再去寻求一种更优秀的控制算法。PID的分类多如牛毛,例如:模糊PlD、数字PID、神经元PID等等。另外,本文档是参考几十个PID相关文档资料整合而成。由于个人能力等原因,从策划、编辑、排版等花了一个多月的时间才完成此次PlD法的整合。为了更有针对性和有效性,本文档主要讲解数字PID及其变种(改进式PID):位置式和增量式。以及这两种PID的C语言编程实现、参数的调整确定和PID控制的应用。我们为什么要用PID岸法呢?原国很商单:其一,PlD是一种比较成熟的控制算法,而且还有许多基于PID的变种算法(简称改进式PID)。其二,资杜多,学习难度路低,入门快。其三,多届师兄实践过,感觉效果还不错!但每年资料成指数增长,从上届师兄那搭贝了好几G资料,进PID控制的文档可以夸张的说跟天上的“星星”一样,看了之后眼花缭乱,而且有很多重复的。为了让更多人能快速上手使用PID控制算法,结合个人经验和相关文档将它浓缩如下:

    标签: pid算法

    上传时间: 2022-07-01

    上传用户:

  • 现代无线通信系统盲处理技术新进展基于智能算法

    《现代通信系统盲处理技术新进展---基于智能算法》主要由以下8章组成:  第1章简要介绍无线通信系统的结构和发展概况,以及其盲处理算法的相关知识。第2章介绍人工神经网络及相应知识,从BP神经网络若手研究盲处理问题,同时给出复数域BP神经网络的信号盲处理方法和该类方法的优缺点说明。在第3章中介绍智能体的概念,并给出基于多智能体系统的盲处理方法。第4章介绍基于支持向量机框架下的盲处理算法,介绍支持向批机的原理,给出基于ε- 支持向量回归机的信道估计新方法,并介绍基千支持向批回归方法的MPSK和QAM的盲信号处理方法,然后引入星座匹配误差函数,并根据线性支持向搅回归和有序风险最小化原则,由恒模和星座匹配误差函数联合组成的新经验风险项构造一个新的代价函数,进而通过迭代求解优化问题获得均衡器。第5章介绍神经动力学和反馈神经网络的相关知识,特别地从神经动力学角度论述连续反馈神经网络可有效飞作的原因,论述反馈神经网络权值矩阵对吸引子和相轨迹的影响。并给出如何根据系统接收信号与发送信号之间的子空间关系,构造一个适用于现代通信系统中的盲检测的特定性能函数和优化问题。第6章分别展示如何基于连续多阈值神经元Hopfield网络模型实现通信信号盲处理的理论和方法,针对多相制信号的特点给出两种连续相位多阙值激励函数形式,并分析讨论该两类激励函数参数的选择、分别给出连续多阈值神经元 Hopfield 网络工作于同步和异步模式下的新能队函数及其相关证明。介绍采用幅相连续激励法解决稀疏QAM 信号的盲检测思路,并针对 QAM 信号的特点,分别给出连续幅度和相位多阙值激励函数形式,分析讨论该类激励函数的特点。第7章则电在从另一个角度提出采用同相正交振幅连续激励法解决密集QAM信号盲检测方法。介绍如何从激励函数角度分析放大因子选择的范围;给出该特定问题的同步和异步运行模式下的新能量函数形式;并证明和分析所设计的能量函数部分定理;介绍在基于反馈神经网络的信号盲处理方法这一研究课题中发现的几类现象,包括当信号的统计信息缺失或失真情况下,连续多阈值神经元反馈神经网络的盲检测能力:通用高阶QMA的激励函数被使用作为低阶QAM信号盲检测问题时的适用性......

    标签: 无线通信系统 智能算法

    上传时间: 2022-07-09

    上传用户: