基于BP网络的足球机器人视觉系统的标定

摄像机标定是足球机器人 (MIROSOT)视觉系统的基础 .由于实际空间点的三维几何位置与其在图像中对应点之间的是一种复杂的非线性映射关系 ,而 BP网络它可以实现从输入到输出的任意的非线性映射 ,本文将BP网络应用于足球机器人视觉系统的标定 ,采用 L evenberg- Marquardt的学习算法 ,实验结果证明了该算法的可行性     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

单目摄像机标定方法的研究

摄像机标定是计算机视觉领域的一个研究热点,为了解决单目摄像机标定中的精度不高、模型复杂、鲁棒性差等问题,依据神经网络、遗传算法及摄像机标定的特点,提出了基于遗传算法和BP神经网络相结合的单目摄像机标定方法。该方法充分利用遗传算法的全局优化和神经网络的局部收敛的特点,一方面避免了建立复杂的摄像机成像模型,另一方面增强了摄像机标定的精度和鲁棒性。实验表明该方法有效。     

基于神经网络的自整定PID控制器设计

针对非线性时变系统,设计了一种基于神经网络的参数在线自整定PID控制器.该控制器采用基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到准确的Jacobian信息;同时将此信息提供给BP神经网络,从而实现PID控制器参数的自动在线整定. 仿真结果表明,该方法提高了算法的精度和速度并具有较快的系统响应和良好的跟踪特性.     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

单目交通场景下基于自标定的车辆三维信息识别算法

获取车辆的三维信息作为车型精确分类的依据,已成为当前越来越重要的研究方向,但交通场景中的监控相机大多为单目相机,由于透视因素无法直接获取车辆位姿、车辆轮廓尺寸等三维信息.针对上述问题,提出单目交通场景下基于自标定的车辆三维信息识别算法,首先根据典型的交通场景,建立单目相机的摄像机模型以及较稳定的单消失点标定模型,完成摄像机标定;接着使用深度学习卷积神经网络中的YOLO模型对交通场景中的车辆进行二维目标检测.在此基础上,提出对角线和消失点约束的非线性优化求解算法,结合标定信息完成车辆的三维信息识别及最佳三维目标检测.在公开数据集BrnoCompSpeed和实际高速公路场景进行了实验,实验结果表明,该算法在多种交通场景下均能有效识别车辆三维信息,平均识别准确率超过90%.     

基于复合正交神经网络的自适应逆控制系统

目前,在自适应逆控制系统中常采用BP神经网络,而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足,但由于正交神经网络学习算法存在某些局限性,提出了一种复合正交神经网络,该正交网络结构与三层前向正交网络相同,不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数,该神经网络算法简单,学习收敛速度快,并能对网络的函数参数进行优化,为非线性系统的动态建模提供了一种方法。仿真实验表明,网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性,有线性、非线性逼近精度高等优异特性,非常适合于实时控制系统。     

基于神经网络的惯性测量单元误差标定

针对惯性测鼍单元非线性误差的标定问题,为保证导航精度,设计了多层前向神经网络的补偿模型.神经网络算法具有良好逼近非线性函数的能力,适合于非线性系统的建模.采用BP神经网络为主要逼近手段,对惯性测量单元的非线性误差函数进行精确逼近,弥补了常规建模方法的不足.将算法应用到某型MEMS惯性测量单元的非线性误差建模中,进行了仿真验证.结果表明,BP神经网络对原始信号的逼近误差在工程应用允许范围内,较传统的的最小二乘法建模方法有了显著的提高,保证有效地解决某型MEMS惯性测量单元误差大的问题.     

基于小波神经网络在摄像机标定中的研究

摄像机标定是计算机视觉中一项关键环节,神经网络具有强大的非线性映射逼近能力,通过神经网络可以建立物理世界坐标和相机坐标的隐式标定。由于小波神经网络比传统BP神经网络训练从根本上避免局部最优且加快收敛速度,具有很强的学习和泛化能力,也避免网络结构盲目设计。利用小波神经网络自适应动量快速学习算法来标定相机,通过实验仿真取得良好效果。     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

嵌入式大气数据传感系统及其BP网络校正算法

介绍了嵌入式大气数据传感系统及其数学模型和校正过程．研究了该系统的BP网络校正算法;提出了以BP网络为基础的迎角、侧滑角和形压系数的校正算法,并对该算法应用MATLAB软件进行了验证;该校正算法采用BP网络,分别以当地迎角、当地侧滑角和马赫数作为BP网络的输入．以真实迎角、真实侧滑角和形压系数作为输出,通过对BP网络进行训练,从而得到系统的校正算法;计算结果表明,该算法在精度、可靠性和实时性等方面可以满足系统的设计要求;在精度上,由于BP网络对非线性函数的无限逼近特性,可以用更少的参数实现同样的数据精度,易于实现。     

基于人工神经网络的CCD数码相机颜色特征化

阐述了基于BP神经网络的数码相机特征化方法。采用不同的神经网络结构,建立了数码相机记录的RGB信息和原影像C IEXYZ色度信息之间的非线性对应关系。对NIKON D200数码相机进行了研究,通过实验得到了合理的神经网络结构为3—10—10—3。测试不同的训练样本和测试样本,达到的C IELAB平均色差和最大色差分别为1.9~2.2和6.7~7.4个色差单位。讨论了实验设备的重复性,同时,分析了样本数量对实验结果的影响。实验结果表明:对数码相机的特征化,可采用BP神经网络技术实现较高的精度。     

基于优化RBF-DDA神经网络的摄像机标定

设计了一种改进的基于动态衰减的RBF神经网络，它能够自适应地确定RBF隐层节点数、高斯函数中心值及径向基函数的宽度，克服了原算法中过多依赖先验知识设计参数的弊病，仿真实验验证了该算法的有效性。并且将此网络应用于摄像机定标中，该网络无需确定摄像机具体的内、外部参数，而且补偿了摄像机非线性畸变，使测量结果更加准确。实验结果表明，应用该神经网络进行摄像机标定能达到较高的精度，且在机器人平面跟踪实验中得到了令人满意的结果。     

基于BP神经网络的足球机器人摄像机标定

摄像机标定是精密视觉测量的基础。利用人工神经网络直接学习图像信息与二维平面信息之间的对应关系,不需要确定摄像机具体的内部参数和外部参数,也无需知道有关摄像机模型或参数的先验知识。通过实验表明基于神经网络的标定方法与传统的线性标定方法相比具有较高的标定精度和较强的标定实时性,适用于足球机器人的摄像机标定。     

原油含水率测量PSO-BP非线性校正技术

针对电容法测量原油含水率过程中存在的测量误差大、精度低等问题,提出了一种基于神经网络的非线性校正技术。此方法结合了微粒群(PSO)算法与BP网络在全局搜索与局部搜索上的优势,克服了以往方法的不足,可使原油含水率测量结果的校正过程具有寻优全局性和精确性,并能加快其收敛速度。仿真结果表明:该方法能有效消除非目标参量对传感器输出结果的影响,在工程上具有一定的应用价值。     

一种分式过程神经元网络及其应用研究

针对带有奇异值复杂时变信号的模式分类和系统建模问题,提出了一种分式过程神经元网络.该模型是基于有理式函数具有的对复杂过程信号的逼近性质和过程神经元网络对时变信息的非线性变换机制构建的,其基本信息处理单元由两个过程神经元成对偶组成,逻辑上构成一个分式过程神经元,是人工神经网络在结构和信息处理机制上的一种扩展.分析了分式过程神经元网络的连续性和泛函数逼近能力,给出了基于函数正交基展开的学习算法.实验结果表明,分式过程神经元网络对于带有奇异值时变函数样本的学习性质和泛化性质要优于BP网络和一般过程神经元网络,网络隐层数和节点数可较大减少,且算法的学习性质与传统BP算法相同.     

摄像机神经网络标定技术

利用人工神经网络来直接学习图像信息与三维信息之间的关系，不需确定摄像机具体的内部参数和外部参数，也不需知道有关模型或参数的先先验知识。在双目视觉的情况下，两摄像机的位置关系不需具体求出，而是隐含在神经网络之中。实验结果表明神经网络方法的标定结果令人满意，并成功地用于机器人曲线跟踪的实验。     

Extreme learning machine for interval neural networks

Interval data offer a valuable way of representing the available information in complex problems where uncertainty, inaccuracy, or variability must be taken into account. Considered in this paper is the learning of interval neural networks, of which the input and output are vectors with interval components, and the weights are real numbers. The back-propagation (BP) learning algorithm is very slow for interval neural networks, just as for usual real-valued neural networks. Extreme learning machine (ELM) has faster learning speed than the BP algorithm. In this paper, ELM is applied for learning of interval neural networks, resulting in an interval extreme learning machine (IELM). There are two steps in the ELM for usual feedforward neural networks. The first step is to randomly generate the weights connecting the input and the hidden layers, and the second step is to use the Moore–Penrose generalized inversely to determine the weights connecting the hidden and output layers. The first step can be directly applied for interval neural networks. But the second step cannot, due to the involvement of nonlinear constraint conditions for IELM. Instead, we use the same idea as that of the BP algorithm to form a nonlinear optimization problem to determine the weights connecting the hidden and output layers of IELM. Numerical experiments show that IELM is much faster than the usual BP algorithm. And the generalization performance of IELM is much better than that of BP, while the training error of IELM is a little bit worse than that of BP, implying that there might be an over-fitting for BP.     

基于BP网络的足球机器人视觉系统标定--Robocup系列研究之七

摄像机的标定是图像测量的基础。利用BP网络可以逼近任意非线性函数的特点，对视觉系统进行标定，并使用MATLAB中的神经网络工具箱进行网络的设计和计算。试验结果证明了这种方法的可行性。