基于混沌自主发育神经网络的场景识别方法、装置及系统
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。
作为进一步的优选方案,在本方法中,在设置Y层突触权重和Z层初始化突触权重之前对混沌自主发育神经网络进行初始化,将神经元激活年龄设置为零,并设置迭代次数。
作为进一步的优选方案,在本方法中,将Y层突触权重根据Logistic方程得到Y层突触权重混沌序列。
作为进一步的优选方案,在本方法中,所述对每一神经元突出权重进行更新包括:
根据X层的外部输入与Z层的内部输入计算神经元突触的响应向量;
采用top-k竞争机制决定优胜神经元;
更新优胜神经元的突触权重向量和激活年龄。
作为进一步的优选方案,在本方法中,还根据X层的外部输入的权重计算神经元突触的响应向量,所述X层的外部输入的权重为0.5。
作为进一步的优选方案,在本方法中,若迭代未完成,重新由图像库中采样输入图像,再次对每一神经元突出权重进行更新。
作为进一步的优选方案,在本方法中,将接收到对待识别场景作为X层的外部输入,经过训练好的混沌自主发育神经网络的内部神经元突触连接,选择Z层的效应器完成场景识别。
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备设备的处理器加载并执行以下处理:
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。
本发明的第三目的是提供一种基于混沌自主发育神经网络的场景识别装置。
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装置,采用计算终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
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。
本发明的第四目的是提供一种基于混沌自主发育神经网络的场景识别系统。
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系统,包括:
基于混沌自主发育神经网络的场景识别装置,与图像采集装置连接;
所述图像采集装置用于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;
所述基于混沌自主发育神经网络的场景识别装置用于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。
本发明的有益效果:
本发明所述的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,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。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明中的方法流程图;
图2为本发明中实施例1与对比例的第一示意图;
图3为本发明中实施例1与对比例的第二示意图;
图4为本发明中实施例1与对比例的第三示意图;
图5为本发明中实施例1与对比例的第四示意图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
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。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
实施例1:
本实施例1的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:
如图1所示,
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:
步骤(1):根据图像库训练混沌自主发育神经网络;
该混沌自主发育神经网络由三层自组织网络构成:X层,Y层,Z层,其中X层是感知输入层,Y层是大脑神经层,Z层是效应层,
在本实施例中,图像库选取待识别的场景和背景的典型图像各256张,输入图像为16X16;
在本实施例中,所述训练混沌自主发育神经网络包括:
步骤(1-1):初始化:
对于网络{X,Y,Z},有变量(V,G,r);其中V=(v1,v2,...,vc),包含c个突触权重向量,G=(g1,g2,...,gc),存储着神经元激活年龄,r是各神经元的响应向量;
将神经元激活年龄设置为零,即gi=0,i=1,2,...,c,并设置迭代次数。
初始化Y和Z,输入图像为16X16,Y层神经元为16X16,Z层为2个。
步骤(1-2):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,混沌化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;
将Y层突触权重根据Logistic方程得到Y层突触权重混沌序列;
Logistic方程为:
y'=μy(1-y),0≤μ≤4;
其中,y'为Y层突触权重混沌序列,y为Y层突触权重,μ为系数。
步骤(1-3):对每一神经元突出权重进行更新,直至完成迭代;
所述对每一神经元突出权重进行更新包括:
步骤(1-3-1):根据X层的外部输入与Z层的内部输入计算神经元突触的响应向量;在本方法中,还根据X层的外部输入的权重计算神经元突触的响应向量,所述X层的外部输入的权重为0.5;
令输入量p=(kx,z),x是X层的外部输入,z是Z层的内部输入,k是权重,取0.5;得到响应向量
步骤(1-3-2):采用top-k竞争机制决定优胜神经元;
优胜的神经元由下式决定:
步骤(1-3-3):更新优胜神经元的突触权重向量和激活年龄;
更新优胜神经元的突触权重向量,按照下式进行更新
vj←w1(gj)vj+w2(gj)rjp
其中,w1和w2为学习因子,两者由下式决定
u(gi)由下式决定
优胜神经元激活年龄更新,gi←gi+1。
在本方法中,判断迭代次数是否到达,如果没有到达,重新由图像库中采样输入图像,重新执行步骤(1-3-1)-步骤(1-3-3)迭代10次,对每一神经元突出权重进行更新。训练好混沌自主发育神经网络,即确定好各层的权重。
步骤(2):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。机器人采集320*240场景图像,按照16X16分离,利用混沌自主发育神经网络来对现场场景进行识别。
在步骤(2)中,将接收到对待识别场景作为X层的外部输入,经过训练好的混沌自主发育神经网络的内部神经元突触连接,选择Z层的效应器完成场景识别。
预测过程:在混沌发育神经网络训练完成后,预测过程使用已经训练好的Y层和Z层神经元突触权重向量,根据X层的外部输入,经过内部神经元突触连接,最终选择Z层的效应器;X层的外部输入即是机器人所处环境图像,Z层的效应器为对应场景。
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。
实施例2:
在本实施例中将实施例1与对比例进行对比。
对比例:
本对比例为文献“基于自主发育神经网络的机器人室内场景识别”利用自主发育神经网络实现了场景识别。
输入512张同一张16X16图片作为网络输入,网络输出为4,利用对比例与实施例1中的方法分别进行辨识,得到的结果为:
如图2(a)和图2(b)所示,图2(a)为实施例1混沌自主发育神经网络的Y层激活神经元数,图2(b)为对比例一般自主发育神经网络的Y层激活神经元数。对比例中的一般自护发育神经网络Y层激活的神经元数目只有63个,而实施例1中的混沌自主发育神经网络则达到了256个,对应16X16,是全部激活。
如图3(a)和图3(b)所示,图3(a)为实施例1混沌自主发育神经网络的Y层神经元突触权重,图2(b)为对比例一般自主发育神经网络的Y层神经元突触权重。图3为Y层神经元突触权重,对应激活数。图3为Y层神经元突触权重,形象的表述了激活的神经元数,可以看到,与图1结论一致。
如图4(a)和图4(b)所示,图4(a)为实施例1混沌自主发育神经网络的Z层神经元突触权重,图4(b)为对比例一般自主发育神经网络的Z层神经元突触权重。图4为Z层神经元突触权重,可以看到,对于实施例1的混沌自主发育神经网络,神经元大量被激活,而对比例的一般自主发育神经系统,只是激活了第一个区域。
如图5所示为输出端Z层获胜次数。图5(a)为实施例1混沌自主发育神经网络的输出端Z层获胜次数,图5(b)为对比例一般自主发育神经网络的输出端Z层获胜次数。实施例1混沌自主发育神经网络的四个输出端获胜次数接近,而对比例一般自主发育神经网络只有一个输出端获胜。
本实施例2说明,对于同样的输入,对比例一般自主发育神经网络系统在Y层激活的神经元数低,同时输出Z端只有一个获胜次数最多;而实施例1混沌自主发育神经网络系统将混沌理论引入,尽可能多的激活了神经元,同时同样的输入,会得到同样的输出,这可以有效地辨识图像场景。
实施例3:
本实施例3的目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备设备的处理器加载并执行以下处理:
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。
在本实施例中,计算机可读记录介质的例子包括磁存储介质(例如,ROM,RAM,USB,软盘,硬盘等)、光学记录介质(例如,CD-ROM或DVD)、PC接口(例如,PCI、PCI-Expres、WiFi等)等。然而,本公开的各个方面不限于此。
实施例4:
本实施例4的目的是提供一种基于混沌自主发育神经网络的场景识别装置。
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装置,采用一种计算终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
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。
本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
实施例5:
本实施例5的目的是提供一种基于混沌自主发育神经网络的场景识别系统。
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系统,包括:
基于混沌自主发育神经网络的场景识别装置,与图像采集装置连接;
所述图像采集装置用于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;
所述基于混沌自主发育神经网络的场景识别装置用于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。
在本实施例中,图像采集装置采用摄像头,基于混沌自主发育神经网络的场景识别装置采用PC机,这里以带有摄像头的机器人为例,如NAO机器人。
带有摄像头的机器人先采集所要识别的场景和背景的典型图像,按照16X16采集,采集的场景图像信息通过无线传输上传给PC机,PC机上利用MATLAB编写程序实现混沌发育神经网络,对输入图像进行辨识:利用混沌自主发育神经网络进行学习,当神经网络发育完毕,即各层权重值确定后,通过机器人实际采集现场图像数据来进行验证。
本发明的有益效果:
本发明所述的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,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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。