CN111027627A - 一种基于多层感知机的振动信息地形分类识别方法 - Google Patents
一种基于多层感知机的振动信息地形分类识别方法 Download PDFInfo
- Publication number
- CN111027627A CN111027627A CN201911269514.6A CN201911269514A CN111027627A CN 111027627 A CN111027627 A CN 111027627A CN 201911269514 A CN201911269514 A CN 201911269514A CN 111027627 A CN111027627 A CN 111027627A
- Authority
- CN
- China
- Prior art keywords
- terrain
- layer
- vibration
- classification
- perceptron
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于多层感知机的振动信息地形分类识别方法,所述识别方法包括以下步骤:采集振动传感器在不同地形环境下的原始振动数据,得到N个振动数据;步骤二:将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的N个振动数据,形成一个3×N大小的向量;对步骤二分割处理后的向量进行地形类型标记;将分割后的向量转换到频域;将转换到频域后的向量利用设计的多层感知机神经网络进行学习训练,得到训练后的多层感知机地形分类识别网络;实时在线获取振动数据,执行步骤二至步骤四,利用步骤五训练后的多层感知机地形分类识别网络进行在线分类识别,获得地形类型。本发明实现了对五种不同软硬程度地形的有效识别,将直接对移动平台地形可通过性判断提供有效保障。
Description
技术领域
本发明涉及一种基于多层感知机的振动信息地形分类识别方法,属于地形环境识别技术领域。
背景技术
随着深空探测任务的逐渐深入,地外天体巡视已经成为在地外开展探测活动的主要模式,需要巡视器具备对环境的精确感知能力,一方面可以直接获取未知环境的状态信息,另一方面可以为规划系统提供丰富的环境信息,为巡视器路径规划、障碍规避等提供支撑。这其中,如何有效的对途经地形进行分类识别尤为重要,这直接影响了巡视器的路径选择,进而决定了探测任务能否顺利进行,近几年该方向也逐渐成为研究的热点。
地形分类识别根据所采用的传感器类型不同,其基本原理和方法也区别较大,无论是地外天体巡视还是地面机器人应用,主要还是基于视觉和激光雷达来实现。
早在1975年来自马里兰大学的J.S.Weszka等人就对比分析了三种自动纹理分类的方法,其中基于傅里叶功率谱的特征分类效果较差,而基于二阶灰度统计和一阶灰度统计的效果相当。S.Otte等人提出了一种利用在重复出现的图像上生成特征序列来进行地形分类的新方法。该方法基于循环神经网络来学习生成的特征序列,同时作者与已有的标准RNN,LSTM,DCM等方法进行了对比,其实时验证结果要优于其它几类学习构架。F.Zeltner提出了基于无监督学习的地形分类识别方法,利用深度卷积神经网络训练图像分割后的特征矢量,包括颜色、深度及红外数据,减少了对训练数据标签的依赖,以及提高了系统对未知地形类别的适应能力。之后,B.Rothrock等人提出了基于视觉的地外天体地形分类软件系统,即SPOC(Soil Property and Object Classification),通过深度神经网络学习人类专家给出的少量实例,最终得到了可以应用到大规模数据分析的学习模型,并在火星2020火星车任务(Mars 2020 Rover Mission)以及火星科学实验室任务(Mars ScienceLaboratory)中得到了验证。2017年Chu He等人提出了一种分层分类的方法,将多层贝叶斯网络和条件随机场结合先验知识一起用于对SAR图像的分类,取得了较高的分类精度。H.Wu等人通过改进视觉词袋框架和不同的融合算法提出了更加快速有效的视觉地形分类方法,相比目前仅从特征提取方法研究不同,作者从视觉词袋的整体框架入手研究,并阐述了不同阶段融合的特点,最后利用平均线性核以及乘法线性核两种形式对融合算法进行了评估。2018年P.Kozlowski和K.Walas将RGBD相机采集到的RGB信息、深度信息以及红外信息作为输入,利用新设计的深度神经网络实现了多种材质地形的有效识别。
针对含有植被的地形中安全导航的需求,2006年J.F.Lalonde等人提出了基于三维雷达点云数据的地形分类识别方法,其中利用“散射”类代表多孔体积,如草和树冠层;用“线性”类来表征薄的物体,如电线或树枝;用“面”特征来表征固体物体,如地面、岩石等。2015年B.Suger等人提出了一种半监督学习地形分类识别方法,利用部分标记好的3D激光雷达数据实现了地面通过性分析的模型学习,并验证了在不同平台上的有效性。
可以看出,针对地形分类识别问题,已有了较为深入的研究,但是针对地外天体巡视过程,运行环境具有高度不确定性,传感器容易出现故障,如强光照环境,视觉检测将处于不可靠状态;在火星探测环境还会有变化的沙尘天气,对激光雷达来说是不利的;同时考虑地外天体巡视成本,在传感器配置方面受质量和体积的限制,不可能搭载全套的传感器载荷及备份,所以说需要一种对环境鲁棒的传感模式来实现在不同环境下的地形分类识别,而振动传感器就是一个非常好的选择,一方面振动信息通过特征表示可以很好的反映地形变化特性,另一方面振动传感器不易受环境变化的影响,具有一定的鲁棒性。
发明内容
本发明提出一种基于多层感知机的振动信息地形分类识别方法,本发明基于对现状分析,结合地外天体巡视特点,以及语义地形构建的需求,意在通过对获取的振动数据的处理,利用设计的多层感知机神经网络来实现对不同地形材质的分类识别。
一种基于多层感知机的振动信息地形分类识别方法,所述识别方法包括以下步骤:
S100采集振动传感器在不同地形环境下的原始振动数据,得到N个振动数据;
S200将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的N个振动数据,形成一个3×N大小的向量;
S300对步骤二分割处理后的向量进行地形类型标记;
S400将分割后的向量转换到频域;
S500将转换到频域后的向量利用设计的多层感知机神经网络进行学习训练,得到训练后的多层感知机地形分类识别网络;
S600实时在线获取振动数据,执行步骤二至步骤四,利用步骤五训练后的多层感知机地形分类识别网络进行在线分类识别,获得地形类型。
进一步的,在S100中,具体的,采集振动传感器在不同地形环境下的原始振动数据,采样频率100Hz,得到64个振动数据;
进一步的,在S200中,具体的,将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的64个振动数据,形成一个3×64大小的向量:
进一步的,在S300中,所述地形类型标记为:
其中,Tj为地形的种类,j=1,2,3,4,5分别对应材质砖石地、细沙地、平地、水泥地和泥土地。
进一步的,在S400中,具体的,用FFT分别对标准化后的信号进行变换,得到前后[F(Vx)1:64],左右[F(Vy)1:64],和上下[F(Vz)1:64],最后将每个信号归一化到[0,1]区间,通过连接变换后的三轴信号作为特征向量,可得用于实际训练的特征向量表示,即
F*=[F(Vx)1:64 F(Vy)1:64 F(Vz)1:64]。
进一步的,在S500中,具体的,多层感知机神经网络为五层感知机深度神经网络,每一层之间均为全连接。
进一步的,在S500中,具体的,多层感知机神经网络包括输入层、第一层、第二层、第三层和输出层,其中,输入层含有192个神经元,第一层含有128个神经元,第二层含有64个神经元,第三层含有64个神经元,输出层含有5个神经元,第一层、第二层和第三层的激活函数为ReLU型函数,输出层的激活函数为Softmax函数。
进一步的,在S500中,具体的,利用蝗虫优化算法训练多层感知机神经网络,包括以下步骤:
S510初始化蝗虫种群个数及其它相关参数;
S520将蝗虫各个元素与多层感知机神经网络的权重值和偏差关联;
S530适应度计算,通过多层感知机神经网络在所有训练集上的交叉熵数值大小评价多层感知机网络的质量;
S540利用蝗虫优化算法找到最小交叉熵对应的多层感知机神经网络,通过位置的更新不断的更新蝗虫的状态;
S550重复S520至S540,直到找到最优解;
S560返回训练最优解,即最优的多层感知机神经网络,其具有最小的交叉熵。
本发明的主要优点是:
本发明采用了三轴振动数据融合处理的全新模式,减少了数据偏差带来的影响,同时设计了一种全新的多层感知机神经网络,同时结合蝗虫优化算法给出了新的融合学习框架,更有利于对地形数据的学习,且从最终实验结果可以看出本发明取得了超过80%的地形分类准确率,将会为后续的应用提供可靠支撑。
附图说明
图1为本发明的一种基于多层感知机的振动信息地形分类识别方法的方法流程图;
图2为基于多层感知机设计的深度神经网络示意图;
图3为Sigmoid型激活函数及其梯度图;
图4为ReLU函数及其梯度图;
图5为网络输出与地形种类关图;
图6为蝗虫优化算法示意图;
图7为基于蝗虫优化算法的多层感知机网络实现框架图;
图8为不同算法预测精度对比图;
图9为基于多层感知机深度网络得到的混淆矩阵图。
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。
本发明不仅利用垂直方向的振动数据,同时采集多维振动数据进行处理,首先将其进行分割形成了1×192维向量,并对其进行标准化处理,将每个振动向量归一化为均值为0和标准差为1,然后利用快速傅里叶变换,得到频域下的特征向量,然后利用多层感知机神经网络进行学习训练,最后将训练好的网络模型用于在线的检测分类。
本发明利用地面机器人收集实验数据。它有比较硬的橡胶轮,能产生清晰的振动信号。该算法利用多个方向的振动信号以提高地形的分类准确率。地形分类算法有两个阶段:训练和分类。训练对计算具有比较高的要求,因此通常是一个离线步骤。分类阶段是非常快的,利用训练好的模型直接调用即可。
参照图1所示,本发明提出了一种基于多层感知机的振动信息地形分类识别方法的一实施例,其特征在于,所述识别方法包括以下步骤:
步骤一:采集振动传感器在不同地形环境下的原始振动数据,得到N个振动数据;
步骤二:将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的N个振动数据,形成一个3×N大小的向量;
步骤三:对步骤二分割处理后的向量进行地形类型标记;
步骤四:将分割后的向量转换到频域;
步骤五:将转换到频域后的向量利用设计的多层感知机神经网络进行学习训练,得到训练后的多层感知机地形分类识别网络;
步骤六:实时在线获取振动数据,执行步骤二至步骤四,利用步骤五训练后的多层感知机地形分类识别网络进行在线分类识别,获得地形类型。
具体的,步骤五中的多层感知机深度网络设计,
一、多层感知机深度网络设计:
前馈神经网络通过先进的并行分层处理结构来高精度的近似计算模型。每层结构中由数量、功能不同的神经元组成,并且层与层之间各神经元均采用完全连接的形式。而多层感知机是前馈神经网络中较为特殊的一种,其数据处理通常在输入层、隐含侧和输出层中进行,这一点类似于BP神经网络的前向传播,其不同之处在于多层感知机通过网络层数、神经元个数、激活函数等参数的设计,可以使网络具备对复杂数据的学习分类能力。
基于上述分析,本节设计了五层感知机深度神经网络,来验证算法对于不同地形的分类识别能力,其中每一层之间均为全连接,如图2所示,输入层有192个神经元,分别对应于经过预处理后的地形振动特征,第一层含有128个神经元,第二层含有64个神经元,第三层含有64个神经元,输出层含有5个神经元,分别对应于五种不同地形。其中中间三层的激活函数为ReLU型函数,最后一层为Softmax函数。如表1所示,同步给出了设计网络的结构示意:
表1
下面给出计算传递说明。首先给定第一层为输入层,输入的信息为[v1,v2,···,vn],对于层l,每一层含有的神经元数为Ll,对应的输出为yl,其中第i个节点的输出为对应输入为连接第l层与第l-1层的权重矩阵为Wl,由第l-1层的第j个节点到第l层第i个节点的权重为则可以得到前向传播计算的传递关系,即
Yl=f(Ul)=f(Wlyl-1+bl) (3)
该网络设计相较于之前的改进BP神经网络,在激活函数的选取以及损失函数的计算上做出了相应的改进。
1)激活函数选择
无论在BP神经网络中还是前馈神经网络中,常采用Sigmoid型函数作为激活函数,如图3所示,这里给出了Sigmoid函数的函数曲线及其梯度曲线,可以清楚的看到在信号经过Sigmoid函数处理后,会输出[0,1]之间的一个数值,而处于两端的部分则会压缩到边值附近,进而导致梯度的消失,这对于网络训练的快速收敛起到了相反的作用。
为了避免该现象的发生,本节将修正线性单元(ReLU)引入到多层感知网络训练当中,由于其较好的梯度特性,对于深度网络的收敛起到了积极的作用。ReLU函数实际上是一个分段函数,其定义为:
如图4所示,ReLU函数的梯度为常数,这在生物学上与神经元信息传递机制更为相似,同时因其简化的形式在深度网络计算时具有较大的效率优势。再者,与Sigmoid函数对比可知ReLU函数的梯度值为0或者1,这在一定程度上解决了梯度消失的问题,提高了网络收敛的速度。最后,因为ReLU函数的分段性质,在进行数据处理时,可以让一些神经元输出值置为零,从而使网络稀疏化,减小了发生过拟合的风险,对于网络学习能力具有一定的优化作用。
除此之外,为了更好的来区分地形的识别种类,在全连接后引入了Softmax函数,该函数也称为指数归一化函数,它是一种统计函数的归一化形式,可以将K维实数向量映射成范围在[0 1]的新的K维实数向量,其函数形式为:
且映射后的值之和为1,满足概率的性质,进而可以利用这一思维转换,在最后选取输出节点的时候,可以选择概率最大的节点,即值最大的点即为输出值。如图5所示,本节在输出层引入了该函数,通过对应概率值大小与给定地形种类进行匹配。
2)损失函数选择
损失函数是人工神经网络中的重要组成部分,用来表征测量估计值与真实值之间的差异性。其结果为一个非负值,网络模型的鲁棒性随着损失函数的减小而逐渐提高,反之随着损失函数的增大而减小。所以选择合适的损失函数定义对于网络模型的训练是十分重要的,通常来说,模型的结构风险函数可由经验风险项和正则化项来表征,具体形式如下
其中,Φ(ξ)为正则项,ξ为模型学习的参数,f()为激活函数,x(i)为训练样本数据。对于本研究来说,重点关注经验风险项,则有
在之前的BP神经网络中,用到的是L2损失,即用均方差(MSE)来评价预测值与实际值之间的偏差,该方法常用于回归问题。但对于地形分类识别问题,其输出为离散型变量,故本节采用交叉熵(Cross-entropy)损失函数来实现,该损失函数常用于二元分类,对于多类的分类可由下式给出:
故通过交叉熵测量两个概率分布之间的差异,如果交叉熵大,意味着两个分布之间的差异较大,反之,如果交叉熵小,则说明两个分布彼此相似。
二、基于蝗虫优化算法训练网络
参照图6所示,Saremi等人在2017年根据研究蝗虫在实际生活环境中的行为表现,提出了一种全新的优化模型,即蝗虫优化算法(GOA-Grasshopper optimizationalgorithm)。并且验证了在处理人工和实际的优化任务时,该模型相比目前较为成熟的优化方法,如引力搜索、粒子群优化、遗传算法等,其性能要优于这几类。故本节将结合GOA算法提出一种新的地形分类训练框架。
由文献可知,蝗虫的行为活动主要体现在幼虫和成年阶段的觅食,目标追赶和群体活动。其中在幼虫阶段,主要表现出短距离跳跃和缓慢移动。在成年期,则表现出远距离跳跃和快速移动。为了描述该行为,给出了如下的模型表示
Xi=Si+Gi+Ai (9)
其中,Xi为第i个蝗虫的位置,Si表征了群体之间的信息沟通,Gi表示了第i个蝗虫的重量,Ai为风的平流。同时,各项的定义可由下式给出,即
s(r)=fe-r/l-e-r (13)
其中,f描述了吸引强度的幅值大小,l则表示了其尺度大小。将式(10),(11)和(12)带入式(9)有
上式中,N为蝗虫的个数。基于上述理解,利用GOA来训练之前设计的多层感知机深度网络,来实现对不同地形的分类识别。其详细流程如图7所示,具体实施步骤如下:
(1)初始化蝗虫种群个数及其它相关参数;
(2)将蝗虫各个元素与多层感知机网络的权重值和偏差关联;
(3),适应度计算,本节将通过网络在所有训练集上的交叉熵数值大小来评价多层感知机网络的质量;
(4)利用GOA算法找到最小交叉熵对应的多层感知机网络,其中通过位置的更新不断的更新蝗虫的状态;
(5)重复步骤(2)至步骤(4),直到找到最优的解;
(6)返回训练最优解,即最优的多层感知机网络,其具有最小的交叉熵。
在本部分优选实施例中,在步骤一中,具体的,采集振动传感器在不同地形环境下的原始振动数据,采样频率100Hz,得到64个振动数据;
在本部分优选实施例中,在步骤二中,具体的,将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的64个振动数据,形成一个3×64大小的向量:
在本部分优选实施例中,在步骤三中,所述地形类型标记为:
其中,Tj为地形的种类,j=1,2,3,4,5分别对应材质砖石地、细沙地、平地、水泥地和泥土地。
在本部分优选实施例中,在步骤四中,具体的,用FFT分别对标准化后的信号进行变换,得到前后[F(Vx)1:64],左右[F(Vy)1:64],和上下[F(Vz)1:64],最后将每个信号归一化到[0,1]区间,通过连接变换后的三轴信号作为特征向量,可得用于实际训练的特征向量表示,即
F*=[F(Vx)1:64 F(Vy)1:64 F(Vz)1:64]。
下面给出一个具体实施例:
基于上述训练好的网络模型,在五种不同材质地形环境进行测试。为了保证不引入其它干扰量,移动平台将以恒定的速度匀速运行,设定速度为v=0.2m/s。同时为方便表示,将不同软硬程度的砖块地形、平地、水泥地、细沙地以及泥土地分别用数字1,2,3,4,5来表示。通过5次实验,分别得到了5类地形分类正确率,如表2所示:
表2
从上表可以看出,本算法对于硬地形、软地形和偏软地形具有较高的识别精度,对于中间硬度和偏硬地形分类精度较低,这与实际数据采集过程中这两种地形振动特征区分度小有关。从图8所示,可以看出,整体的分类精度还维持在84%左右,同样需要对其分类特点及混淆度进行分析,进一步确认导致五类地形分类精度误差的原因。
如图9所示,针对不同组实验,给出了对不同地形分类得到的混淆矩阵,利用该矩阵可以直观看出改进BP神经网络对每一类地形的分类精度,以及分析哪些类别会互相混淆,从而干扰正确的分类。对比五个混淆矩阵,可以看出类别2偏硬地形与类别3硬地形容易出现误分类,类别1中间硬度地形与类别2偏硬地形、3硬地形、4软地形同样容易出现误分类。但整体的识别精度相比于BP网络有所提升。即砖块地和平地采集的振动信号特征与其他几类分区度不高,其原因可能在于平台的振动特性、采集数据时的运行速度等,但是从混淆系数及单类的识别精度可以看出,基于深度多层感知机的地形分类效果要优于基于BP神经网络,提升了砖块地和平地的区分度。
Claims (8)
1.一种基于多层感知机的振动信息地形分类识别方法,其特征在于,所述识别方法包括以下步骤:
S100采集振动传感器在不同地形环境下的原始振动数据,得到N个振动数据;
S200将步骤一采集到的振动信息的原始数据进行分段处理,每段对应于采集到的N个振动数据,形成一个3×N大小的向量;
S300对步骤二分割处理后的向量进行地形类型标记;
S400将分割后的向量转换到频域;
S500将转换到频域后的向量利用设计的多层感知机神经网络进行学习训练,得到训练后的多层感知机地形分类识别网络;
S600实时在线获取振动数据,执行步骤二至步骤四,利用步骤五训练后的多层感知机地形分类识别网络进行在线分类识别,获得地形类型。
2.根据权利要求1所述的一种基于多层感知机的振动信息地形分类识别方法,其特征在于,在S100中,具体的,采集振动传感器在不同地形环境下的原始振动数据,采样频率100Hz,得到64个振动数据。
5.根据权利要求1所述的一种基于多层感知机的振动信息地形分类识别方法,其特征在于,在S400中,具体的,用FFT分别对标准化后的信号进行变换,得到前后[F(Vx)1:64],左右[F(Vy)1:64],和上下[F(Vz)1:64],最后将每个信号归一化到[0,1]区间,通过连接变换后的三轴信号作为特征向量,可得用于实际训练的特征向量表示,即
F*=[F(Vx)1:64 F(Vy)1:64 F(Vz)1:64]。
6.根据权利要求1所述的一种基于多层感知机的振动信息地形分类识别方法,其特征在于,在S500中,具体的,多层感知机神经网络为五层感知机深度神经网络,每一层之间均为全连接。
7.根据权利要求6所述的一种基于多层感知机的振动信息地形分类识别方法,其特征在于,在S500中,具体的,多层感知机神经网络包括输入层、第一层、第二层、第三层和输出层,其中,输入层含有192个神经元,第一层含有128个神经元,第二层含有64个神经元,第三层含有64个神经元,输出层含有5个神经元,第一层、第二层和第三层的激活函数为ReLU型函数,输出层的激活函数为Softmax函数。
8.根据权利要求7所述的一种基于多层感知机的振动信息地形分类识别方法,其特征在于,在S500中,具体的,利用蝗虫优化算法训练多层感知机神经网络,包括以下步骤:
S510初始化蝗虫种群个数及其它相关参数;
S520将蝗虫各个元素与多层感知机神经网络的权重值和偏差关联;
S530适应度计算,通过多层感知机神经网络在所有训练集上的交叉熵数值大小评价多层感知机网络的质量;
S540利用蝗虫优化算法找到最小交叉熵对应的多层感知机神经网络,通过位置的更新不断的更新蝗虫的状态;
S550重复S520至S540,直到找到最优解;
S560返回训练最优解,即最优的多层感知机神经网络,其具有最小的交叉熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269514.6A CN111027627A (zh) | 2019-12-11 | 2019-12-11 | 一种基于多层感知机的振动信息地形分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269514.6A CN111027627A (zh) | 2019-12-11 | 2019-12-11 | 一种基于多层感知机的振动信息地形分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027627A true CN111027627A (zh) | 2020-04-17 |
Family
ID=70206122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911269514.6A Pending CN111027627A (zh) | 2019-12-11 | 2019-12-11 | 一种基于多层感知机的振动信息地形分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027627A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111615178A (zh) * | 2020-05-09 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 识别无线网络类型及模型训练的方法、装置及电子设备 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN111931790A (zh) * | 2020-08-10 | 2020-11-13 | 武汉慧通智云信息技术有限公司 | 一种激光点云提取方法及装置 |
CN112198222A (zh) * | 2020-09-17 | 2021-01-08 | 江苏美的清洁电器股份有限公司 | 地面材质识别方法、系统、设备及存储介质 |
CN112581264A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法 |
CN112861907A (zh) * | 2020-12-31 | 2021-05-28 | 福建融韵通生态科技有限公司 | 白茶产地溯源方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356341A1 (en) * | 2013-01-07 | 2015-12-10 | Bae Systems Plc | Fusion of multi-spectral and range image data |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN109376783A (zh) * | 2018-10-29 | 2019-02-22 | 合肥优控科技有限公司 | 机器人自适应地形分类方法、系统与计算机可读存储介质 |
CN110147780A (zh) * | 2019-05-28 | 2019-08-20 | 山东大学 | 基于层级地形的实时性野外机器人地形识别方法及系统 |
-
2019
- 2019-12-11 CN CN201911269514.6A patent/CN111027627A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356341A1 (en) * | 2013-01-07 | 2015-12-10 | Bae Systems Plc | Fusion of multi-spectral and range image data |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN109376783A (zh) * | 2018-10-29 | 2019-02-22 | 合肥优控科技有限公司 | 机器人自适应地形分类方法、系统与计算机可读存储介质 |
CN110147780A (zh) * | 2019-05-28 | 2019-08-20 | 山东大学 | 基于层级地形的实时性野外机器人地形识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
ALI ASGHAR HEIDARI, HOSSAM FARIS, IBRAHIM ALJARAH, SEYEDALI MIRJ: "An efficient hybrid multilayer perceptron neural network with grasshopper optimization", 《METHODOLOGIES AND APPLICATION》 * |
CHENGCHAO BAI , JIFENG GUO , LINLI GUO , JUNLIN SONG: "Deep Multi-Layer Perception Based Terrain Classification for Planetary Exploration Rovers", 《SENSORS》 * |
佘玉梅,段鹏: "《人工智能原理及应用》", 31 December 2018 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111615178A (zh) * | 2020-05-09 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 识别无线网络类型及模型训练的方法、装置及电子设备 |
CN111615178B (zh) * | 2020-05-09 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 识别无线网络类型及模型训练的方法、装置及电子设备 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN111818449B (zh) * | 2020-06-15 | 2022-04-15 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN111931790A (zh) * | 2020-08-10 | 2020-11-13 | 武汉慧通智云信息技术有限公司 | 一种激光点云提取方法及装置 |
CN112198222A (zh) * | 2020-09-17 | 2021-01-08 | 江苏美的清洁电器股份有限公司 | 地面材质识别方法、系统、设备及存储介质 |
WO2022057209A1 (zh) * | 2020-09-17 | 2022-03-24 | 美智纵横科技有限责任公司 | 地面材质识别方法、系统、设备及存储介质 |
CN112198222B (zh) * | 2020-09-17 | 2022-04-05 | 美智纵横科技有限责任公司 | 地面材质识别方法、系统、设备及存储介质 |
CN112581264A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法 |
CN112861907A (zh) * | 2020-12-31 | 2021-05-28 | 福建融韵通生态科技有限公司 | 白茶产地溯源方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027627A (zh) | 一种基于多层感知机的振动信息地形分类识别方法 | |
WO2021043193A1 (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
CN110472483B (zh) | 一种面向sar图像的小样本语义特征增强的方法及装置 | |
US7929730B2 (en) | Method and system for object detection and tracking | |
CN110956154A (zh) | 一种基于cnn-lstm的振动信息地形分类识别方法 | |
CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN108492258A (zh) | 一种基于生成对抗网络的雷达图像去噪方法 | |
KR20180051335A (ko) | 신경망 학습에 기반한 입력 처리 방법 및 이를 위한 장치 | |
Kalácska et al. | Estimating leaf area index from satellite imagery using Bayesian networks | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
Hadsell et al. | Online learning for offroad robots: Using spatial label propagation to learn long-range traversability | |
CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
CN114155270A (zh) | 行人轨迹预测方法、装置、设备及存储介质 | |
CN111216126B (zh) | 基于多模态感知的足式机器人运动行为识别方法及系统 | |
CN114898293A (zh) | 一种面向自动驾驶汽车的过街行人群体多模态轨迹预测方法 | |
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
Marina et al. | Deep Grid Net (DGN): A deep learning system for real-time driving context understanding | |
CN116206306A (zh) | 一种类间表征对比驱动的图卷积点云语义标注方法 | |
Wang et al. | Lightweight deep neural networks for ship target detection in SAR imagery | |
CN114241314A (zh) | 一种基于CenterNet的遥感影像建筑物变化检测模型及算法 | |
Goupilleau et al. | Active learning for object detection in high-resolution satellite images |
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 |