無(wú)線地磅控制器隱藏層計(jì)算單位
無(wú)線地磅控制器隱藏層計(jì)算單位
本文通過(guò)成功應(yīng)用DBNN方法和遺傳算法設(shè)計(jì)了機(jī)器人目標(biāo)識(shí)別地磅控制器方法與抓取系統(tǒng)。 DBNN方法用于對(duì)象識(shí)別，GA用于優(yōu)化DBNN參數(shù)。DBNN是由隨機(jī)潛在變量組成的生成圖形模型，在輸入和輸出層之間具有多個(gè)隱藏的單位層。 DBNN由一堆受限的Boltzmann機(jī)器（RBM）組成。 RBM由數(shù)字地磅遙控器可見(jiàn)層和隱藏層組成，或者由隱藏層和另一個(gè)隱藏層組成。
一層的神經(jīng)元完全連接到另一層的神經(jīng)元，但是同一層的無(wú)線地磅控制器神經(jīng)元內(nèi)部沒(méi)有相互連接。當(dāng)固定可見(jiàn)層的單元時(shí)，RBM達(dá)到熱平衡。 DBNN方法的一般結(jié)構(gòu)如圖1所示。DBNN具有兩個(gè)基本屬性：1）DBNN是自頂向下的逐層學(xué)習(xí)過(guò)程。它在前兩個(gè)隱藏層中具有生成權(quán)重，可以找到一層中的變量如何與另一層變量通信，而在后一個(gè)隱藏層中則可以使用判別權(quán)重來(lái)對(duì)對(duì)象進(jìn)行分類。 2）在逐層學(xué)習(xí)之后，隱藏單元的值可以通過(guò)自下而上的遍歷獲得。它從底層的可見(jiàn)數(shù)據(jù)向量開(kāi)始。其中v是一組具有v∈{0,1} nv的可見(jiàn)單位，h是一組具有h∈{0,1} nh的隱藏單位。 nv是可見(jiàn)層中的單位總數(shù)，nh是隱藏層中的單位總數(shù)。 a是可見(jiàn)單位的偏差項(xiàng)，b是隱藏單位的偏差項(xiàng)。 w表示電子地磅遙控器可見(jiàn)單位和隱藏單位之間的權(quán)重。
在提出的實(shí)驗(yàn)中，我們將DBNN方法用于目標(biāo)識(shí)別。所提出的已實(shí)現(xiàn)的DBNN方法的結(jié)構(gòu)如圖2所示。DBNN方法由一個(gè)可見(jiàn)層，三個(gè)隱藏層和一個(gè)輸出層組成?？梢?jiàn)層由輸入圖像的784個(gè)神經(jīng)元組成。 GA [18]在每層中找到優(yōu)的隱藏單元數(shù)。在我們的實(shí)現(xiàn)中，，第二和第三隱藏層中的隱藏單元數(shù)分別為535、229和355。輸出層由六種不同類型的對(duì)象類組成。在采樣方法中，我們應(yīng)用兩種不同類型的采樣：對(duì)比散度（CD）和持續(xù)對(duì)比散度（PCD）。在個(gè)地磅遙控器隱藏層中，我們將應(yīng)用PCD采樣方法，因?yàn)镻CD會(huì)探索整個(gè)輸入域。在第二和第三隱藏層中，我們使用CD采樣方法，因?yàn)镃D在輸入示例附近進(jìn)行了探索。通過(guò)結(jié)合兩種采樣方法，提出的DBNN方法可以收集佳特征以識(shí)別對(duì)象。