CN107832833A - 基于混沌自主发育神经网络的场景识别方法、装置及系统 - Google Patents
基于混沌自主发育神经网络的场景识别方法、装置及系统 Download PDFInfo
- Publication number
- CN107832833A CN107832833A CN201711105545.9A CN201711105545A CN107832833A CN 107832833 A CN107832833 A CN 107832833A CN 201711105545 A CN201711105545 A CN 201711105545A CN 107832833 A CN107832833 A CN 107832833A
- Authority
- CN
- China
- Prior art keywords
- chaos
- neutral net
- autonomous development
- weight
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011161 development Methods 0.000 title claims abstract description 116
- 230000007935 neutral effect Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 42
- 210000000225 synapse Anatomy 0.000 claims abstract description 68
- 210000002569 neuron Anatomy 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000002087 whitening effect Effects 0.000 claims abstract description 13
- 230000008555 neuronal activation Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 13
- 210000005036 nerve Anatomy 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000000946 synaptic effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000000052 comparative effect Effects 0.000 description 16
- 230000001537 neural effect Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000011664 nicotinic acid Substances 0.000 description 5
- 239000012636 effector Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000001968 nicotinic acid Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本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。
Description
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。
Claims (10)
1.一种基于混沌自主发育神经网络的场景识别方法，其特征在于，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。
2.如权利要求1所述的方法，其特征在于，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。
3.如权利要求1所述的方法，其特征在于，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。
4.如权利要求1所述的方法，其特征在于，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。
5.如权利要求4所述的方法，其特征在于，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。
6.如权利要求1所述的方法，其特征在于，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。
7.如权利要求1所述的方法，其特征在于，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。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，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。
9.一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，其特征在于，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。
10.一种基于混沌自主发育神经网络的场景识别系统，该系统基于如权利要求9所述的一种基于混沌自主发育神经网络的场景识别装置，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711105545.9A CN107832833B (zh) | 2017-11-10 | 2017-11-10 | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711105545.9A CN107832833B (zh) | 2017-11-10 | 2017-11-10 | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107832833A true CN107832833A (zh) | 2018-03-23 |
| CN107832833B CN107832833B (zh) | 2021-12-21 |
Family
ID=61654084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711105545.9A Active CN107832833B (zh) | 2017-11-10 | 2017-11-10 | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832833B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960336A (zh) * | 2018-07-16 | 2018-12-07 | 广东工业大学 | 一种基于dropout算法的图像分类方法及相关装置 |
| CN110000781A (zh) * | 2019-03-29 | 2019-07-12 | 郑州大学 | 基于发育网络的移动机器人运动方向预先决策方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
| CN103973335A (zh) * | 2014-05-07 | 2014-08-06 | 电子科技大学 | 基于混沌理论的同步跳频序列预测方法 |
| CN104657777A (zh) * | 2015-03-16 | 2015-05-27 | 长春工业大学 | 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法 |
| CN105205453A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院自动化研究所 | 基于深度自编码器的人眼检测和定位方法 |
| CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
| CN106126609A (zh) * | 2016-06-21 | 2016-11-16 | 浙江工商大学 | 一种基于几何结构调整用于降低数据非线性关系的方法 |
-
2017
- 2017-11-10 CN CN201711105545.9A patent/CN107832833B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
| CN103973335A (zh) * | 2014-05-07 | 2014-08-06 | 电子科技大学 | 基于混沌理论的同步跳频序列预测方法 |
| CN104657777A (zh) * | 2015-03-16 | 2015-05-27 | 长春工业大学 | 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法 |
| CN105205453A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院自动化研究所 | 基于深度自编码器的人眼检测和定位方法 |
| CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
| CN106126609A (zh) * | 2016-06-21 | 2016-11-16 | 浙江工商大学 | 一种基于几何结构调整用于降低数据非线性关系的方法 |
Non-Patent Citations (4)
| Title |
|---|
| K. QIAN 等: "Robot indoor scenes recognition based on autonomous developmental neural network,", 《ROBOT》 * |
| L. HUANG 等: "Chaos-enhanced Cuckoo search optimization algorithms for global optimization", 《APPLIED MATHEMATICAL MODELLING》 * |
| 吕庆章: "基于混沌的化学计量学新算法研究及基于量子化学计算的构效关系研究", 《中国优秀博硕士学位论文全文数据库 (博士)》 * |
| 钱夔 等: "基于自主发育神经网络的机器人室内场景识别", 《机器人》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960336A (zh) * | 2018-07-16 | 2018-12-07 | 广东工业大学 | 一种基于dropout算法的图像分类方法及相关装置 |
| CN110000781A (zh) * | 2019-03-29 | 2019-07-12 | 郑州大学 | 基于发育网络的移动机器人运动方向预先决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107832833B (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Warwick | Artificial intelligence: the basics | |
| Chaplot et al. | Gated-attention architectures for task-oriented language grounding | |
| CN103620624B (zh) | 用于导致稀疏连通性的局部竞争性学习规则的方法和装置 | |
| CN106982359A (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
| CN110134774A (zh) | 一种基于注意力决策的图像视觉问答模型、方法和系统 | |
| Chaplot et al. | Embodied multimodal multitask learning | |
| CN113255936B (zh) | 基于模仿学习和注意力机制的深度强化学习策略保护防御方法和装置 | |
| Conradt et al. | Trainable sensorimotor mapping in a neuromorphic robot | |
| Ghazaei et al. | An exploratory study on the use of convolutional neural networks for object grasp classification | |
| Egbert et al. | Habit-Based Regulation Of Essential Variables. | |
| CN107832833A (zh) | 基于混沌自主发育神经网络的场景识别方法、装置及系统 | |
| CN104614988B (zh) | 一种具有内发动机机制的感知运动系统认知及其学习方法 | |
| Weng | A 5-chunk developmental brain-mind network model for multiple events in complex backgrounds | |
| Nogueira et al. | Evolving plastic neuromodulated networks for behavior emergence of autonomous virtual characters | |
| Poirier et al. | Embodied categorization | |
| Hwu et al. | Neurorobotics: Connecting the Brain, Body, and Environment | |
| Ko et al. | Imitative neural mechanism-based behavior intention recognition system in human–robot interaction | |
| Tynchenko et al. | Software development based on artificial neural networks for fitness club | |
| Luengo et al. | Framework for simulating the human behavior for intelligent virtual agents. part ii: Behavioral system | |
| Cao et al. | Zero-shot compositional policy learning via language grounding | |
| Kaur | ARTIFICAL INTELLIGENCE | |
| Portegys | Morphognostic honey bees communicating nectar location through dance movements | |
| Knauer | A persistent incremental learning approach for object classification of unseen categories using convolutional neural networks on mobile robots | |
| Bhattacharjee | Animal and Human Brain Work with Treatment Its Malfunction | |
| Le et al. | Strategy-based learning through communication with humans |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191104 Address after: 250012 No. 18877 Jingshi Road, Jinan City, Shandong Province Applicant after: Shandong First Medical University (Shandong Academy of Medical Sciences) Address before: 271016 No. 619, the Great Wall Road, hi tech Development Zone, Shandong, Tai'an Applicant before: TAISHAN MEDICAL University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240112 Address after: C416, Building 1, Overseas Students Pioneer Park, No. 69 Huayang Road, Lixia District, Jinan, Shandong 250000 Patentee after: Shandong Kaige Intelligent Machine Co.,Ltd. Address before: 250012 no.18877 Jingshi Road, Jinan City, Shandong Province Patentee before: Shandong First Medical University (Shandong Academy of Medical Sciences) |