基于未知环境状态新定义及知识启发的机器人导航Q学习算法

由于强大的自主学习能力, 强化学习方法逐渐成为机器人导航问题的研究热点, 但是复杂的未知环境对算法的运行效率和收敛速度提出了考验。提出一种新的机器人导航Q学习算法, 首先用三个离散的变量来定义环境状态空间, 然后分别设计了两部分奖赏函数, 结合对导航达到目标有利的知识来启发引导机器人的学习过程。实验在Simbad仿真平台上进行, 结果表明本文提出的算法很好地完成了机器人在未知环境中的导航任务, 收敛性能也有其优越性。     

基于计算机视觉的智能交通监控系统

视觉相对于其他传感器能够获取更多的信息,基于计算机视觉的监控系统在交通监控中有着广泛的应用.结合背景差分算法,研究了一种基于计算机视觉的智能交通监控系统,该系统运用OpenCV开源计算机视觉库,在VC++6.0平台上开发实现.所开发的系统界面友好,操作简单,人机交互性强,用户可以根据需要选择不同的监控对象.还详细介绍了系统运行界面,实现过程及实验结果.     

无线传感器网络节点操作系统的移植

重点研究了无线传感器网络(W SNs)中的嵌入式操作系统TinyOS,包括其事件驱动机制、调度策略和能量管理机制等。在深入研究基于组件架构的TinyOS的基础上,设计了将TinyOS应用到其他微处理器的移植方案,提出了硬件描述层组件的设计基本原则,实现了TinyOS在LPC2136FBD64芯片上的移植。     

一种基于数据连续性的聚类方法

为了解决数据遗漏问题,根据类内样品点均匀分布的性质提出了一种新的聚类方法,即：先从样品集中获得蕴含式类,然后通过支持度获得标准类,最后通过隶属度标识类内成员的强弱程度。该方法仅对类内样品点均匀分布性敏感,不需要预先设置包括类核坐标、类间距离阈值等先验参数,对非凸性类也能有效分类。同时,实验表明该方法是一个具有较高性能的聚类方法。     

一种结合类激活映射的半监督图像分类方法

半监督学习要求无标记数据集远大于标记数据集,然而无标记数据集中包含的复杂无关信息又会对模型训练造成负面影响.针对此问题,本文提出了一种基于增强的均值教师模型的半监督图像分类方法.首先根据类激活映射的工作机制,构建一个具有类激活映射功能的网络;然后将无标记数据集输入结合类激活映射的目标初定位网络,得到目标初定位图;最后将标记图像和目标初定位图像组成训练数据集,训练得到半监督图像分类器.本文设置了标记数据占比、骨干网络、数据集的对比实验,结果表明,本文算法在Top1和Top5上的表现优于现有算法,说明了本文算法的可行性和有效性.     

基于Logistic混沌序列的数字图像加密研究

离散的Logistic映射对初值和结构参数的改变具有极端的敏感性,在一定条件下能够产生混沌,并且产生的混沌序列具有类白噪声统计特性等特点。同时利用数字图像本身的特点和人类视觉系统的特性,先对原始图像进行压缩,再用混沌序列进行加密和传输图像,这样不仅可以减少存储空间,还可以提高加密和传输效率。该文基于以上特性提出了一个新的基于Logistic混沌序列的数字图像加密算法,仿真实例证明该算法是有效、可行的,而且具有较高的安全性。     

改进的遗传算法在优化BP网络权值中的应用

对遗传算法和BP神经网络的特点进行了比较,作为进化算法神经网络与遗传算法的目标相近而方法各异。阐述了遗传算法与神经网络结合的必要性。提出了一种改进的遗传算法优化BP神经网络的权值,用遗传算法的全局随机搜索能力弥补了神经网络容易陷入局部最优解的问题。同时,在遗传算法中改变传统的同代交叉机制,采用父代与子代进行交叉,避免了遗传算法过早丧失进化能力。     

基于神经网络的污水处理软测量系统的研究

针对污水处理质量指标无法在线检测的问题,提出了基于人工神经网络的软测量方法。构造了污水处理质量软测量的神经网络结构,运用实际工业污水处理过程测量数据对BP神经网络进行了训练和仿真。结果表明,实能准确地进行污水处理质量的实时估计,实现污水处理质量的实时控制。     

μC/OS-Ⅱ在LH7A400嵌入式微处理器上的移植

随着嵌入式系统硬件技术和软件技术的发展以及人们对测控系统功能要求的不断提高,把实时嵌入式操作系统和32嵌入式微处理器应用到测控系统中已经成为了测控系统发展的趋势和迫切需要,与此同时,ARM体系结构和μC/OS-Ⅱ因它们各自的优势已经成为了嵌入式系统应用的研究热点.把占先式、多任务、实时嵌入式操作系统μC/OS-Ⅱ和基于ARM9内核的嵌入式微处理器LH7A400应用于嵌入式测控系统开发平台中,μC/OS-Ⅱ(v2.52)在LH7A400微处理器上的移植原理和移植过程具有重要的意义和广泛的借鉴价值.研发中采用的开发工具为ADS vl.2和ARM Muhi-ICE v2.2,移植后的代码已在源代码调试器AXD上通过功能测试.     

基于强化学习的进化神经网络及其在机器人导航中的应用

神经网络的拓扑结构对网络的有效性起着十分重要的作用,网络建模中的主要困难就是如何有效地控制网络模型的结构进化趋势和复杂度.提出一种基于强化学习的进化神经网络(RL-EANN),采用强化学习方法对网络进化群体与外界环境交互的效果进行评价,使其无需任何先验知识即可进行学习进化,通过强化信号的约束来控制网络群体的拓扑结构进化趋势.并在移动机器人避障导航仿真实验中证明,采用RL-EANN能使仿真机器人在不确定环境中快速有效地学习避障和接近目标,取得较好的导航效果,实践证明该方法的合理性和有效性.