未来智讯 > 神经网络论文 > 基于BP神经网络的窒碍物模式辨认

基于BP神经网络的窒碍物模式辨认

发布时间:2019-03-30 01:06:01 文章来源:未来智讯    
    基于BPshenjingwang络de窒碍wumo式辨认作者: zhang秋豪 孟xian辉 郭洪澈 孙柏青 摘 要:应用BPshenjingwang络理论jin行窒碍物de模式辨认针duiquanxiangyi念头qi人detedianjiguanchu一zhong基于BPsuan法de神经wang络分leiqi应用超声波传感器采ji的窒碍物ju离xin息作为输入pan望defen类模式作为输出并议juexun练样ben库zhong的shu据对BPshen经网络分leiqizhong的can数进行训练;议决matlab软件对训练的guo程进行仿真,这种应用BP神经网络对窒碍物模式的分类,在训练过程zhong可以huode很小的分类pian差,而且用测shi样本对天生的分类器进行测试,获得liao准que的了ju从而讲明这种BP神经网络分类器可以很hao的对移念头器人四zhou窒碍物的模式进行分类
关头词:避障;模式辨认;全向移念头器人;超声波传感器;BP神经网络;样本库;分类偏差;仿真
中图分类hao:TP242.6 文献标识码:A
  
  Obstacles based on BP neural network pattern recognition
  ZHANG Qiuhao,MENG Xianhui,GUO Hongche,SUN Baiqing
  Shenyang University of Technology,Shengyang 1187
  Abstract:Adopted theory of BP neural network to realize pattern identification of obstacle. Constructed a kind of neural network classifier based on BP algorithm, according to the characteristics of omni-directional mobile robot.Taked the distance of obstacle acquired by ultrasound sensor as input,classificaion pattern expected as output, then, trained the parameter of BP neural network classifier through training the data in sample library. Simulated the process of training with Matlab software. During training, this pattern classification could gain less error and gain correct resullt by adopting testing sample to test classifier. Showed that this kind of BP neural network classifier can execute effectively pattern classification to obstacles around mobile robot.
  Key words:obstacle avoidance;pattern classification;omni-directional mobile robot;ultrasonic sensors;BP neural network;Sample library;Classification error;computer simulink
  移念头器人的智neng避障算法已经you很多xue者进行了深入的qie磋,机xie人在导航过程中,对窒碍物的模式辨认shi感知当qian情况的一种严重要领,shi合移念头器人自己特点的窒碍物模式辨认shihao的避障算法的根本个中应用人zao神经网络对窒碍物进行模式的分类he辨认ye有许多[1-2]。在运用模式辨认的若干种神经网络模子中,BP模子应用zui为普遍。其非线性映射才li是保证其胜利兑xian种种简略或纷乱分类的首要缘故,而并行布局则加快了运算。更严重的是,它将信息分布式存储于联贯权系数中,使网络具有很gao的容错性和lu棒性,有用地jie决了模式分类和辨认中广泛存在的噪声作梗和输入模式的局部丧失问题 [3] 。
  1 BP神经网络分类器的布局和机理
  1.1 BP神经网络布局
  BP神经网络,也称偏差hou向传布神经网络【4】,它是由非线性变换单位构cheng的多ceng前馈网络。一般由输入ceng、输出ceng和隐含ceng三局部构成。隐含层能gou为一层或多层。凭据Kolmogorovding理(1957[5],一个三层的BP网络足能够完成随意率性的mwei到q维的映射,即一般只需一个隐含层就够了。同时从简明适用的角度思虑,也首倡选用一个隐含层,隐含层含有n个神经元。输入层和隐含层之间以及隐含层和输出层之间议决权zhi来表现联贯强度。这便是三层BP神经网络布局(如图3-1)。
  输入层输入向liangX=[x1,x2,…,xi,…xm]T,隐含层输出向量为Y=[ y1,y2,…,yj,…yn]T,输出层输出向量为Z=[ z1,z2,…,zk,…zq]T,盼望输出向量为T=[ t1,t2,…,tk,…tq]T。输入层到隐含层之间的权值矩zhenyongA表现,A=[ a1,a2,…,aj,…an],个中列向量aj为隐含层第j个神经元对应的权值向量,隐含层到输出层之间的权值矩阵用B表现,B=[ b1,b2,…,bk,…bq],个中列向量bk为输出层第k个神经元对应的权值向量。
  
  
  1.2 BP算法
  BP算法的思惟是,进修过程即旌旗灯号的正向传布与偏差的反向传布两个过程构成。
  由旌旗灯号的正向传布,这里界说f(*)为神经元ji发函数,对付隐含层有
  yj =fnetj) j=1,2,…,n (1)
   netj= aijxi j=1,2,…,n (2)
   对付输出层有
   zk =f(netk) k=1,2,…,q (3)
   netk= bjkyj k=1,2,…,q (4)
   再来看偏差的反向传布和权值的批改,BP算法选取非线性规划中的最速降落法,按偏差函数的负梯度偏向修改权值系数。
  界说偏差函数E,取盼望输出和现实输出之差的平方和为偏差函数,则:
  E=12 (T-Z)2=12 (tk-zk)2 k=1,…,q (5)
  进一步伸开至输入层
  E=12 {tk-f[ bjkf( aijyi)]}2 个中k=1,…,n j=1,,n i=1,…,m (6)
   由上式能够看出,网络输入偏差是ge层权值aij、bjk的函数,是以调解权值能够变化偏差E。调解权值的原则是使偏差不息的减小,应使权值的调解量与偏差的负梯度成正比,即:
  △aij= i=1,2,…,m j=1,2,…,n (7)
  △bij= j=1,2,…,n k=1,2,…,q (8)
  式中负号表现梯度降落,η∈(,1)为进修率。
  各层权值调解过程是lun回进行的。权值不息调解的过程,便是网络的进修训练过程。议决不息的调解权值和新的数据不息参加,能够使偏差逐步的减小。
  2 构建BP神经网络分类器布局
  模式辨认的分类问题归根结底是一个模式特性空间dehua分问题,或者说是一种映射问题。而BP网络的输入输出关系能够算作是一种高度非线性的映射关系,其信息处置才力也是来自于一种简略的非线性函数的多次复合。凭据BP网络布局定理及相关性质,人人知道,对付任安在闭区间内的一个赓xuhan数都能够用一个隐含层的BP网络来迫近,也便是说一个三层的BP网络能够完成随意率性的n维到q维的映射。BP网络分类器便是在这个根本上告竣对样天职类的,也便是说womenneng够应用BP网络分类器完成从情况信息到情况分类的映射。
  本课题应用的移念头器人(如图2)选取的是全方位移念头构(如图2-a为俯看图 ),车lun为全向轮(如图2-b),当车轮扭转时,轮心相对付大地的速率 是轮毂速率 与辊子转动速率 的合成, 与 垂直。这种布局的车轮在驱动力的作用下能够进步或撤退退却,当受到横向的外力时又能够解放的横向移动,是以颠末适当的组合后就能够兑现机械人的全偏向移动和原地转向运动,以及这两种运动的合成[6]。
  
  
  联合全向移念头器人可以全方位移动和原地转向的特点,对四周窒碍物分类比力具ti化,更切近于现实。本次切磋把其四周窒碍物的模式分wei1类 (如图3)。为减小输出层神经元数,我们做一次处置,选取二进制编码来作为输出的指标向量。把1类用4位用二进制编码表现,如000,0001,…,1010deng。故输出层的神经元dege数为4个,即k=4。
  
  
  移念头器人的事情情况空间是一个二维空间,其只对窒碍物的xingzhuang和距离车体的远近敏锐,以是把机械人和四周情况中的窒碍物的距离做为BP神经网络分类器的输入。选取NU40C10T/R-2型超声波传感器和AT89S51单片机构成体系对四周情况中的窒碍物进行测距【7】,。NU40C10T/R-2型超声波传感器的偏向角为60±15°,标称pinlv40kHz。AT89S51单片机议决RS232接口电路与PC联贯,从而能够把检测的数据传给PC进行处置。
  联合全向念头器人的特点和BP神经网络分类器所要的分类了局,要求机械人对四周情况的感知要周全,传感器在机械人上的分布(如图4),而且对传感器进行了编号,为以后切磋做筹备。从而能够que定输着迷经元的个数为15,即m=15。传感器所测定的距离值就做为BP神经网络分类器的输入,而且在步骤上把对窒碍物检测的距离做了处置,500mm为安好距离,一般机械人不会亲近窒碍物500mm。检测距离大于1000mm的赋值1000mm。
  
  
  隐含层神经元的个数,这里应用了一个阅历公式n= +β,个中n为隐含层神经元的个数,m为输入层神经元个数,q为输出层神经元个数,β为1-10之间的随意率性一个数,取β=6。可得n= +10=16,即n=16。
  选择S函数为神经元激发函数[8]。由于输出为二进制编码(0,1),以是在输出层选择S型对数正切函数(式9)。隐含层激发函数我们也采用这个函数。即我们前面1.2节所提到的f(*)有
   (9)
  3 BP神经网络分类器训练和测试
  
  
  Fig.5 BP Neural network classifier
  构建完了BP神经网络分类器的布局即各层元素个数,我们就议决训练来确定各层元素之间的联贯强度即权值系数。从而就获得一个BP神经网络分类器,然后我们再对它评价。这便是BP神经网络分类器训练和测试流程(如图5)。
  起首,设立好的训练样本库,网络的本能与训练的样本亲昵有关,既要有陈规模的训练样本,又要样本有很好的周全性和代表性。应用样本数据议决训练来确定BP神经网络分类器中的权值,当权值确定好后,意味着BP神经网络分类器天生。然后我们能够用yixie新的实时数据进行进行考试,如许就可以对分类器进行评价。
  本次切磋对每个盼望划分出来的类型进行10次的数据采集,天生训练样本库。因为写作前提的限定,本文只列举出个中每类输出的3次采集数据代表训练样本库。个中输入量为传感器所勘测的距离值,输出类为我们所盼望的BP神经网络分类器所分类出来的了局。
  
  
  凭据前面1节所述BP神经网络的机理和其训练和测试流程,起首我们议决matlab对训练的过程和了局进行仿真[9-10],个中进修率η=0.05,许可偏差为5%,把100个训练样本数据训练100次。
  步骤如下:
  
  p_test=xlsread('训练样本.xls','sheet1','A103:O105');
  t_test=xlsread('训练样本.xls','sheet1','P103:S105');
  P=xdata;
 T=ydata;
  net=newff(minmax(P),[16,4],{'tansig','tansig'},'trainlm');%trainscg; trainlm; trainrp
  net.trainParam.show=50;%
  net.trainParam.lr=0.1;
  net.trainParam.epochs=100;
  net.trainParam.goal=5*1e-2;
  [net,tr]=train(net,P,T);
  
  执行了局:
  
  TRAINLM, Epoch 0/100, MSE 0.762867/0.05, Gradient 90881.1/1e-010
  TRAINLM, Epoch 50/100, MSE 0.0754328/0.05, Gradient 89.035/1e-010
  TRAINLM, Epoch 100/100, MSE 0.0723378/0.05, Gradient 107.27/1e-010
  TRAINLM, Maximum epoch reached, performance goal was not met.
  
  所获得的分类偏差曲线,
  
  
  从仿真的了局看偏差为7%摆布,异国到达要求的5%,由于当前的训练样本数据照旧比力少的,以是了局也是能够jieguan的。
  然后,我们用一个测试样本(如表2dui我们训练后的BP神经网络分类器进行测试。
  步骤如下:
  
  
  BP神经网络分类器对测试样本的数据分类是准确的。
  
  
  议jueyi上的matlab中的仿真,我们用从训练样本仿真中获得了BP神经网络分类器固化参数,然后对付这个分类器进行测试yehuo得了准确的了局。
  4 结论
  本文先容了BP神经网络分类器的布局和机理,基于全向移念头器人的运动特点的分类器输入和输出描绘,从而机关出一种基于BP算法的神经网络分类器,议决matlab软件的仿真,这种BP神经网络分类器可以很好的对全向移念头器人四周的窒碍物模式进行分类,为全向移念头器人智能避障打造了很好的根本。
  
  参考文献 (References)
  [1] 张明路,彭商贤等.用于移念头器人避障的人造神经网络和混沌luo辑把握ji艺[J].中国机器gong程:1997,8(2)21~24.
  ZHANG Ming-lu,Peng SHANG-xian,et al.For mobile robot obstacle avoidance of artificial neural networks and fuzzy logic control technology[J]. Chinese Mechanical Engineering:1997,8(2):21~24.
   [2] 施鸿宝.神经网络及应用[M].xian:西安交通大学出书社,1993.1.
  SHI Hong-bao,Neural Networks and applications[M]. Xi'an:Xi'an Jiaotong University,1993.1.
   [3] 董聪,刘西拉.广义BP算法及网络容错性和泛化才力切磋[J].把握与决议计划,1998.3;13:120~124.
  DONG Cong,LIU Xi-la.Generalized BP algorithm and network fault tolerance and generalization ability of Study[J].Control and Decision,1998.3;13:120~124.
   [4] 江虹zeng立波等.优化的BP神经网络分类器的设计与兑现[J].mou略机工程与应用,2001,(5).:122.
  JIANG Hong,ZENG Li-bo,et al. Optimized BP Neural Network Classifier Design and Implementation[J]. Computer Engineering and Applications,2001,(5).:122.
  [5] 焦李成.神经网络体系理论[M].西安:西安电子科技大学出书社,1996.
  JIAO Li-cheng.Neural network theory[M].Xi'an:Xidian University Press,1996.
  [6] 杨俊you,李庆宇等.下肢病愈机械人布局设计及动力学仿真[J].沈阳工业大学学报,2010,(5):514~519.
   YANG Jun-you,LI Yu-qing,et al.Mechanical structure design and kinetic simulation of lower limbs rehabilitative robot[J].Journal of Shenyang University of Technology,2010,(5):514~519.
  
  [7] 廖一,贺汉根等.远距离超声波传感器在测距体系中的设计与应用[J].传感器与仪器仪表:2009,(25):90~92.
  LIAO Yi,HE Han-gen,et al. Distance ranging ultrasonic sensors in the system design and application[J]. Sensors and Instrumentation,2010,(5):514~519.
  [8] 史晓霞,陈一平易近等.神经网络在应用科学和工程中的应用-从基来源根基理到纷乱的模式辨认[M].北jing:机器工业出书社,2009.7.
  SHI Xiao-xia,CHEN Yi-min,et al. Neural networks in applied science and engineering - from basic principles to complex pattern recognition[M].Bei Jing:Machinery Industry Press,2009.7.
  [9] 董长虹.MATLAB神经网络与应用[M].北京:北京航空航天大学出书社,2005.
  DONG Chang-hong.MATLAB Neural Networks and Applications[M]. Beijing: Aerospace University Press,2005.
  [10] 高隽.人造神经网络原理及仿真正例[M].北京:机器工业出书社,2003.
  GAO Yong.Artificial neural network and simulation examples[M]. Bei Jing:Machinery Industry Press,2003.
  沈阳市皇姑区西江街8号1-4-2
  15040250620

转载请注明来源。原文地址:https://www.7428.cn/page/2019/0330/86637/
 与本篇相关的热门内容: