CN108259136B - 一种智能旅居商务房车的跨模态智能感知方法 - Google Patents

一种智能旅居商务房车的跨模态智能感知方法 Download PDF

Info

Publication number
CN108259136B
CN108259136B CN201810030109.8A CN201810030109A CN108259136B CN 108259136 B CN108259136 B CN 108259136B CN 201810030109 A CN201810030109 A CN 201810030109A CN 108259136 B CN108259136 B CN 108259136B
Authority
CN
China
Prior art keywords
data
neural network
intelligent
coding
weight
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.)
Active
Application number
CN201810030109.8A
Other languages
English (en)
Other versions
CN108259136A (zh
Inventor
李嫄源
张家昌
李鹏华
朱智勤
米怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810030109.8A priority Critical patent/CN108259136B/zh
Publication of CN108259136A publication Critical patent/CN108259136A/zh
Application granted granted Critical
Publication of CN108259136B publication Critical patent/CN108259136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40006—Architecture of a communication node
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40169—Flexible bus arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle

Abstract

本发明涉及一种智能旅居商务房车的跨模态智能感知方法，该方法具体包含如下步骤：S1：基于总线结构对传感器信号进行数据采集传输；S2：通过深度自编码器提取所采集的数据中具有共性的感知数据，简化数据编码；S3：运用自编码器权值连接关系，优化连接网络结构。针对数据传输量负载大的问题，本专利采取了以深度自编码技术为核心的数据编码技术，在保障了数据传输质量的同时又降低了数据的维度保证了数据传输的负载的平衡。本专利方法提出了稀疏优化的神经网络剪枝技术，在衡量连接关系的权值大小后简化连接结构，提高数据输入输出效率和编码器的运转效率。

Description

一种智能旅居商务房车的跨模态智能感知方法
技术领域
本发明属于智能感知技术、深度学习技术领域，涉及一种智能旅居商务房车的跨模态智能感知方法。
背景技术
智能商务旅居房车是智能网联汽车与智能家居深度融合的产物，充分体现了人工智能的技术属性和社会属性，激发了人工智能的巨大潜力，强化了创新链和产业链的有机结合，催生了技术供给和市场需求的互动演进。商务旅居房车“智能化”的进程，主要涉及到人工智能技术中的感知数据的采集、处理、输出，同时也大量使用嵌入式系统、智能元器件，进一步提高商务旅居房车的状态在线监测、自主感知、智能推处理能力，让更多向往旅游和户外活动的人能够享受高质量、低成本的旅居生活，并为国内旅游市场的发展开拓新道路。目前，旅居商务房车智能化改造所面临的基本问题是，生活区的上装车载设备种类多，但接口不一致，且没有标准的总线，导致感知数据获取不对称，且不完善，无法进行统一信息表征，给智能化控制的前端数据信息处理带来困难。
发明内容
有鉴于此，本发明的目的在于提供一种智能旅居商务房车的跨模态智能感知方法，解决房车行驶中不同模态数据采集，处理以及输出。
为达到上述目的，本发明提供如下技术方案：
一种智能旅居商务房车的跨模态智能感知方法，其特征在于：该方法具体包含如下步骤：
S1：基于总线结构对传感器信号进行数据采集传输；
S2：通过深度自编码器提取所采集的数据中具有共性的感知数据，简化数据编码；
S3：运用自编码器权值连接关系，优化连接网络结构。
2、根据权利要求1所述的一种智能旅居商务房车的跨模态智能感知方法，其特征在于：所述步骤S1具体包含如下步骤：
S11：将各类传感器进行驱动封装，构建多类传感器组成的总线数据采集平台；
S12：通过传感器所采集到的模拟信号经过模数转换成数字信号传送到处理平台；
S13：通过ADO(ActiveX Data Objects)以及ADO附加组件统一接口函数、程序调用口、接口校验与测试方式。
3、根据权利要去2所述的一种智能旅居商务房车的跨模态智能感知方法，其特征在于：步骤S2具体包含如下步骤：
S21：通过深度自编码器输入输出相等的层次结构关系，训练适用于多模态传感器的深度自编码结构，提取感知数据的共性特征，作为编码信息，通过总线传输至车载数据交互中心，降低传输数据的维度；
S22：构建多层深度神经网络，将神经网络的输入与输出置为相等的数据，向中间组合编码，采用最小二乘目标函数
Figure BDA0001546245170000021
对输出结果进行逼近，
其中x对应感知输入层，
Figure BDA0001546245170000022
则为感知还原的结果，W，b分别对应该自编码网络的权志集合及偏置，J(W,b)表示目标函数，m表示输入层数；
S23：通过音视频、温度原始数据，采用随机梯度下降法对网络连接进行学习，提高权值的泛化性能；
S24：通过自编码器对于感知数据进行编码。
4、根据权利要去3所述的一种智能旅居商务房车的跨模态智能感知方法，其特征在于：步骤S3具体为：
S31：将多层深度神经网络中权值较小的连接关系进行剪枝，通过感知数据对于余下的多层深度神经网络连接进行微调，降低传编码误差；
S32：通过坐标下降方法对多层深度神经网络的权值的绝对值进行迭代，并将近零的参数进行剪枝，得到连接关系稀疏的神经网络；
S33：利用
Figure BDA0001546245170000023
对神经网络训练中的所有层进行稀疏优化，
其中，W'表示稀疏化后的权值组合，i表示每一层的输入；
S34：通过感知数据对连接关系稀疏的神经网络进行进一步的微调，获得剪枝后的泛化自编码模型。
本发明的有益效果在于：在面向商务旅居房车的跨模态智能感知中，与单模态相比较本专利运用的跨模态智能感知技术可以采集到高质量，多元化，体量丰富的信号数据。并且针对数据传输量负载大的问题，本专利采取了以深度自编码技术为核心的数据编码技术，在保障了数据传输质量的同时又降低了数据的维度保证了数据传输的负载的平衡。在旅居房车行驶中最大也是最困难的就是数据的实时性，包括采集数据和输出数据。本专利对此提出了稀疏优化的神经网络剪枝技术，在衡量连接关系的权值大小后简化连接结构，提高数据输入输出效率和编码器的运转效率。本专利中的算法和公式为实现提出的技术手段作了强有力的支撑。面向商务旅居房车，本专利对跨模态采集数据，处理数据，输出显示数据都提出了一些创新性想法和具体的技术方法。通过上述的方法一步步实现跨模态智能感知，保证数据多样化、准确化的同时又极大丰富了用户的实际体验。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明示意图；
图2为本发明多层深度神经网络结构图；
图3为本发明神经网络剪枝示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明包含如下步骤：
一、基于CAN总线结构的传感器信号数据传输采集。包括以下3个步骤:
1、构建CAN总线数据采集平台。
2、全数字通信信号。
3、统一的接口函数、程序调用口、接口校验与测试方式
二、数据编码设计。包括以下3个步骤
1、运用以深度自编码技术为核心的数据编码方式。
2、构建多层深度神经网络结构。
3、自编码器对于感知数据自行编码。
三、优化的深度自编码器剪枝。包括以下3个步骤。
1、神经网络剪枝技术。
2、优化神经网络连接关系。
3、感知数据集对连接网络进行进一步的调整。
(1)基于CAN总线结构的传感器信号数据传输采集。如图1所示，以现场总线技术为基础实现的总线数据的采集与传输。具体步骤如下：
a、构建CAN总线数据采集平台。围绕多源分布式传感器的数据采集与传输需求，构建以现场总线技术为基础，以驱动封装及统一接口为核心的CAN总线数据采集平台。控制器局域网总线(CAN，Controller Area Network)是一种用于实时应用的串行通讯协议总线，它可以使用双绞线来传输信号，是世界上应用最广泛的现场总线之一。CAN协议由德国的Robert Bosch公司开发，用于汽车中各种不同元件之间的通信。
b、全数字通信。采集到的模拟信号经过模数转换成数字信号，传送到处理平台。
c、统一的接口函数、程序调用口、接口校验与测试方式。按照面向对象的原则，将每个传感器的驱动作为对象封装起来。对不同的数据格式都转化为二进制数据格式。采用ADO(ActiveX Data Objects，ActiveX由微软开发的一种程序对象，用于表示用户数据库中的数据结构和所包含的数据)以及ADO的附加组件(称为Microsoft ADO Extensions forDLL and Security(ADOX))来创建或修改数据和查询、检验数据库、或者访问和接收外部数据源。
(2)基于深度自编码的数据编码策略设计。通过深度自编码器输出与输入相等的关系来提取具有共性的感知数据，简化数据编码。具体步骤如下：
a、以深度自编码技术为核心的数据编码方式。针对多源传感器数据总量大，总线传输负载能力有限的问题，研究以深度自编码技术为核心的数据编码方式，通过深度自编码器输入输出相等的层次结构关系，训练适用于多模态传感器的深度自编码结构，提取感知数据共性特征，作为编码信息，通过总线传输至车载数据交互中心，降低传输数据的维度，保证总线上信息传输负载的平衡。深度自编码结构示意图如图2所示。
b、构建多层深度神经网络结构。深度自编码下的数据编码结构，以多层深度神经网络结构为基础，将神经网络的输入与输出置为相等的数据向中间组合编码，采用最小二乘目标函数
Figure BDA0001546245170000041
其中，x对应感知输入层,
Figure BDA0001546245170000042
则为感知还原的结果。W，b分别对应该自编码网络的权志集合及偏置。
该网络训练的目标即是让输出结果尽量逼近感知输入结果，并采用大量音视频、温度等原始数据，随机梯度下降技术对网络连接进行学习，提高权值的泛化性能。根据深度自编码器的结构，编码结果通过编码还原层处理，即可还原感知的结果。
c、自编码器对于感知数据自行编码。通过该自编码器对于感知数据进行编码，能够大幅降低传输数据的维度与总线的负载，提升总线传输的效率。同时在数据交互中心，只需要向数据中心发送一次编码还原层，即可通过其对编码结果的重构获得感知的结果数据。
(3)基于稀疏优化的深度自编码器剪枝。为了解决数据关联的复杂性，运用自编码器来权值连接关系，优化连接网络结构。具体步骤如下：
a、神经网络剪枝技术。如图3所示，针对数据交互中心对于编码信息数据实时性不强的问题，研究以稀疏优化为核心的神经网络剪枝技术，通过剪枝深度自编码器网络结构中，权重值较小的连接关系，大幅降低深度自编码器的连接结构，并少量感知数据对于余下的神经网络连接进行微调，降低传编码误差，提高深度自编码器的运行效率。
b、优化神经网络连接关系。采用坐标下降方法对神经网络的权值的绝对值进行迭代降低，并将近零参数进行剪枝，并重新得到连接关系较为稀疏网络。对神经网络训练中的所有层都使用相同的权值稀疏优化算法，采用
Figure BDA0001546245170000051
稀疏优化模型，对于权值连接W进行优化，其中W'为稀疏化后的权值组合，i为每一层的输入，W为经深度自编码其训练得到的权值。上述稀疏优化模型的求解是一个凸优化问题，优化||W'||1与优化||W'||0的结果等价，故可根据坐标下降算法对||W'||1进行优化的结果获得一个W'使得||W'||0、
Figure BDA0001546245170000052
求解得到包含W'，即最为稀疏的W'，将W'中的近零项在神经网络中进行剪枝即可获得更新后的网络结构。
c、感知数据集对连接网络进行进一步的调整。剪枝优化后神经网络的连接关系将会更为简单，加快运算的效率，降低噪声干扰。通过感知数据集对网络进行进一步的微调，即可获得剪枝后的泛化自编码模型。稀疏优化剪枝模型对剪枝后的连接关系与输入的乘积以及神经网络输出的结果进行组合优化，最大限度的在编码复原的准确性与实时性之间求得了平衡。
最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种智能旅居商务房车的跨模态智能感知方法，其特征在于：该方法具体包含如下步骤：
S1：基于总线结构对传感器信号进行数据采集传输；
S2：通过深度自编码器提取所采集的数据中具有共性的感知数据，简化数据编码；具体包括以下步骤：
S21：通过深度自编码器输入输出相等的层次结构关系，训练适用于多模态传感器的深度自编码结构，提取感知数据的共性特征，作为编码信息，通过总线传输至车载数据交互中心，降低传输数据的维度；
S22：构建多层深度神经网络，将神经网络的输入与输出置为相等的数据，向中间组合编码，采用最小二乘目标函数
Figure FDA0002635796100000011
对输出结果进行逼近，其中，x对应感知输入层，
Figure FDA0002635796100000012
则为感知还原的结果，W，b分别对应神经网络的权值集合及偏置，J(W,b)表示目标函数，m表示输入层数；
S23：通过音视频、温度原始数据，采用随机梯度下降法对网络连接进行学习，提高权值的泛化性能；
S24：通过自编码器对于感知数据进行编码；
S3：运用自编码器权值连接关系，优化连接网络结构；具体包括以下步骤：
S31：将多层深度神经网络中权值较小的连接关系进行剪枝，通过感知数据对于余下的多层深度神经网络连接进行微调，降低传编码误差；
S32：通过坐标下降方法对多层深度神经网络的权值的绝对值进行迭代，并将近零的参数进行剪枝，得到连接关系稀疏的神经网络；
S33：利用
Figure FDA0002635796100000013
对神经网络训练中的所有层进行稀疏优化，其中，W′表示稀疏化后的权值组合，i表示每一层的输入；
S34：通过感知数据对连接关系稀疏的神经网络进行进一步的微调，获得剪枝后的泛化自编码模型。
2.根据权利要求1所述的一种智能旅居商务房车的跨模态智能感知方法，其特征在于：所述步骤S1具体包含如下步骤：
S11：将各类传感器进行驱动封装，构建多类传感器组成的总线数据采集平台；
S12：通过传感器所采集到的模拟信号经过模数转换成数字信号传送到处理平台；
S13：通过ADO(ActiveX Data Objects)以及ADO附加组件统一接口函数、程序调用口、接口校验与测试方式。
CN201810030109.8A 2018-01-12 2018-01-12 一种智能旅居商务房车的跨模态智能感知方法 Active CN108259136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810030109.8A CN108259136B (zh) 2018-01-12 2018-01-12 一种智能旅居商务房车的跨模态智能感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810030109.8A CN108259136B (zh) 2018-01-12 2018-01-12 一种智能旅居商务房车的跨模态智能感知方法

Publications (2)

Publication Number Publication Date
CN108259136A CN108259136A (zh) 2018-07-06
CN108259136B true CN108259136B (zh) 2020-10-16

Family

ID=62727195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810030109.8A Active CN108259136B (zh) 2018-01-12 2018-01-12 一种智能旅居商务房车的跨模态智能感知方法

Country Status (1)

Country Link
CN (1) CN108259136B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11281974B2 (en) * 2018-10-25 2022-03-22 GM Global Technology Operations LLC Activation zero-bypass and weight pruning in neural networks for vehicle perception systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法
CN106599995A (zh) * 2016-12-09 2017-04-26 上海海事大学 一种根据海洋气象信息预测船舶航行气象因子的方法
CN106779075A (zh) * 2017-02-16 2017-05-31 南京大学 一种计算机中采用剪枝方法改进的神经网络

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209080B2 (en) * 2009-04-27 2012-06-26 Toyota Motor Engineering & Manufacturing North America, Inc. System for determining most probable cause of a problem in a plant

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法
CN106599995A (zh) * 2016-12-09 2017-04-26 上海海事大学 一种根据海洋气象信息预测船舶航行气象因子的方法
CN106779075A (zh) * 2017-02-16 2017-05-31 南京大学 一种计算机中采用剪枝方法改进的神经网络

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于测距雷达和机器视觉数据融合的前方车辆检测系统";庞成;《中国优秀硕士学位论文全文数据库信息科技辑》;20160815;第1.2.3节、第3.3节、第5章、附图2-1 *
多传感器数据融合系统;顾学群;《南通职业大学学报》;20020331;全文 *

Also Published As

Publication number Publication date
CN108259136A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN110097528B (zh) 一种基于联合卷积自编码网络的图像融合方法
CN110517329A (zh) 一种基于语义分析的深度学习图像压缩方法
CN113033630A (zh) 一种基于双非局部注意力模型的红外与可见光图像深度学习融合方法
CN108259136B (zh) 一种智能旅居商务房车的跨模态智能感知方法
CN113446988B (zh) 基于云边融合架构的机场跑道道面状态监测系统及方法
CN111627055B (zh) 一种联合语义分割的场景深度补全方法
CN112665656A (zh) 一种农产品生长环境大数据检测系统
CN107046646A (zh) 基于深度自动编码器的视频编解码装置及方法
CN113301127A (zh) 一种牲畜饲料检测系统
CN113361803A (zh) 基于生成对抗网络的超短期光伏功率预测方法
CN114764602A (zh) 基于时空注意力和数据融合的短临降水预测方法
CN117097906B (zh) 一种区域医疗资源高效利用的方法及系统
CN114639002A (zh) 一种基于多模式特征的红外与可见光图像融合方法
CN112911533B (zh) 一种基于移动端App的温度检测系统
CN111586151B (zh) 基于区块链的智慧城市数据共享系统及方法
CN104503226A (zh) 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控系统
CN107301266A (zh) 一种磷酸铁锂电池loc估算方法和系统
CN116258936A (zh) 一种基于多尺度特征的红外与可见光图像融合方法
CN116432750A (zh) 一种基于盒嵌入的少样本知识图谱补全方法
CN114429424A (zh) 一种适用于退化方式不定的遥感图像超分重建方法
CN115883301A (zh) 基于样本回想增量学习的信号调制分类模型及学习方法
CN113673846B (zh) 一种电力物联网架构下的需量态势感知方法
CN112149802B (zh) 一种语义结构一致的图像内容转换方法
CN108629362A (zh) 一种面向移动环境的学习行为习惯发现量化系统及方法
CN112738801B (zh) 一种适用于智能通信网关的管理方法

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
GR01 Patent grant
GR01 Patent grant