关于纯追踪模型的讨论

ALVINN是美国CMU大学为其自主车NAVLAB设计的导航系统，其核心是多层感知识神经网络模型，纯追踪（PurePursuit,PP)模型在ALVINN中起着十分重要的作用，即为虚拟样本产生期望的转弯方向，但在PP模型主要出处Pomerleau的文章中，有关该模型的阐述不是很准确，甚至存在矛盾，一些重要的计算公式存在错误，为此该文准确地阐述了PP模型的基本思想和用法，区分了PP正问题和PP反问题，给出了正确的计算公式，计算机模拟实验验证了有关结论和计算公式的正确性。     

一种基于虚拟测试样本和VGG网络模型的人脸识别算法

近年来，随着人工智能的快速发展，人脸识别已经成为现代生物信息识别中的一种重要技术。但是，随着人们对生物信息的隐私性越来越重视，特殊场景下样本信息数量少等问题仍然影响着人脸识别算法的精度。本文针对少样本场景，提出了一种将虚拟测试样本与原始测试样本进行结合的基于VGG卷积神经网络的人脸识别算法。经实验，该算法在少样本场景下仍能够取得较好的效果。     

基于纯追踪模型的路径跟踪改进算法

针对前视距离随车辆位置、速度变化而调整的问题,将模糊控制器与纯追踪算法相结合,把速度和航向偏角作为模糊控制器的输入量,利用驾驶经验制定模糊控制规则,输出前视距离,从而使前视距离得到动态调整,以达到理想的跟踪效果.在直线道路和折线道路上,对动态前视距离纯追踪算法和固定前视距离纯追踪算法进行仿真对比,结果表明改进的算法使得...     

虚拟自主车智能驾驶行为的研究与实现

为了提高驾驶模拟系统的逼真度和可信度,以自主车驾驶行为作为研究对象,在结合宏观与微观信息进行虚拟道路环境建模的基础上,提出一种基于局部信息感知和知识随机决策的概率模拟方法,目的是提升虚拟车的自主智能性和实现驾驶行为的真实随机性。实验与应用结果表明,提出的方法能够较真实地再现车辆的自主驾驶行为,模拟现实中交通车辆环境,并提高了模拟系统的真实性、形象性和实时性。     

基于先验知识的小样本刑期预测算法研究

在传统司法领域,刑期判决不可避免地会受到法官主观判断的影响,从而使得在相似案情的情况下判决结果有所不同,甚至极端情况会出现矛盾,即量刑偏差问题.通过大量样本应用神经网络进行刑期预测在一定程度上可以改善量刑偏差的问题,但是由于量刑偏差对数据集质量的影响,从而使得直接使用神经网络进行刑期预测的效果不佳.为减少训练神经网络所...     

一种改进的神经网络道路跟踪方法

ALVINN是目前世界上性能最好的基于神经网络的智能车道路跟踪系统,但由于其道路 跟踪摄像机是固定不变的,导致在转弯时可能丢失道路信息,从而使其性能下降,甚至不能 完成这一任务．本文提出一种道路跟踪方法,使得在学习过程中和自主道路跟踪状态下,都 能有效地控制道路跟踪摄像机的方位角,以保证道路尽可能处于摄像机采集的图像中央,在 客观上为改进ALVINN的道路跟踪性能提供了可能,计算机仿真结果验证了这种方法的有效性 ．     

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航．使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计．实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪．     

BP神经网络中定性信息的使用

利用BP神经网络方法模拟各种非线形函数,通常的训练方法需要大量的训练样本.本文通过引入虚拟样本,提出了使用非线性函数定性信息（如一阶偏导数信息）的网络训练方法,利用均匀分布的随机数对网络参数进行再调整.算例说明该方法对于定性信息的利用非常成功,在不降低网络精度的要求下,有效减少了训练样本数量.     

信贷自动审批模型的对抗攻击风险研究

近期,银行等金融机构引进自动信贷审批系统来取代传统的人工审批,而自动信贷审批系统在何种程度上会受到对抗样本的攻击有待研究。通过实验对信贷对抗样本攻击的问题进行了验证。首先,基于申请人的信贷数据对XGBoost模型进行训练,预测申请人行为,并选择原始样本。其次,使用"非违约申请人"对改进的GAN模型进行训练,并用于生成特征值,通过修改原始样本以构建对抗样本,使得修改后的特征值接近于"非违约申请人"密集分布的特征值。最后,使用训练好的XGBoost模型将对抗样本进行分类。在实验中生成的对抗样本可以混淆XGBoost模型。当修改后的特征值的数量增加时,对抗样本的生成率总体呈上升趋势。实验验证,对抗样本的攻击将对自动信贷审批系统造成安全风险。     

基于短期规划的AUV纯方位目标追踪策略

对自主水下机器人(AUV)追踪海洋生物的问题进行研究,由于被追踪目标的机动能力远优于追踪者,待目标运动要素的估计值收敛之后再规划追踪的路径可能错过接近目标的时机.针对这个问题,借鉴博弈的思想提出了一种基于短期规划的目标追踪算法.该方法首先构建AUV在短期内所有可行的行为集合,然后对每一个行为能够达到的状态进行态势评估,最后选择使AUV处于最有利的追踪态势的行为作为规划的结果.为了检验该方法,开展了2组仿真实验:第1组实验显示本文方法的追踪成功率比传统方法提高了5.2%,第2组实验表明即使在较大的测量误差下AUV依然可以有效地追踪到目标.仿真结果表明该方法提高了AUV追踪到目标的成功率,并且具有较好的鲁棒性.     

基于结构特性的超媒体模型

将超媒体的结构特性与形式语言学理论相结合,提供了一种有效地分析超媒体动态结构的特性的方法,该方法将超毁体组件集合映射为语言中的抽象符号集合,组件集合之上的链映射为语言中建立单词的方法,超媒体的结构化机械制映射为语言中的抽象符号集号,组件集合之上的链映射为语言中建立单词的方法,超媒体的结构化机制映射为语言中描述单词集合构造机制的语法,超媒体模拟为转换机,“链引导”动作模拟为“匹配对”序列,“链引导”的计算结果产生与上下文无关文法相对应的虚拟文档,从而为进一步研究超媒体的浏鉴语义及其它动态特性提供了理论基础。     

基于AHP-SOFM的建筑工程评标决策模型研究

针对建筑工程这一企业对象中复杂指标的评标决策问题,首先利用AHP对指标体系进行约简和对样本数据进行预处理,得到数据的规范化形式,然后利用这些样本输入SOFM神经网络模型,并对其进行训练,构造出一个具有一定决策能力的综合评估模型.实验表明,利用该模型在得到可视化决策结果的同时,还可得到高达84.6%的测试精度,具有一定的应用价值.     

遗传算法在T—S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法。提出了采用遗传算法优化网络参数，实现了Ｔ－Ｓ模型的辨识。给出了参优化的详细过程，并用仿真实例证实了 这种方法的有效性。成功地将神经网络，模糊逻辑与遗传算法融合于一个系统中。     

A reinforcement learning approach based on the fuzzy min-max neural network

The fuzzy min-max neural network constitutes a neural architecture that is based on hyperbox fuzzy sets and can be incrementally trained by appropriately adjusting the number of hyperboxes and their corresponding volumes. Two versions have been proposed: for supervised and unsupervised learning. In this paper a modified approach is presented that is appropriate for reinforcement learning problems with discrete action space and is applied to the difficult task of autonomous vehicle navigation when no a priori knowledge of the enivronment is available. Experimental results indicate that the proposed reinforcement learning network exhibits superior learning behavior compared to conventional reinforcement schemes.     

物联网中基于KNN和BP神经网络预测模型的研究

物联网中,无线传感器网络由于环境、资源等因素的变化和限制,会导致部分数据异常或丢失,使数据传输的可靠性降低。因此常用的BP神经网络方法在根据最终获取数据进一步处理时的准确性不高。提出K近邻算法和BP神经网络相结合的二阶段预测模型,先使用K近邻算法对BP神经网络输入数据中异常或缺失数据进行估值和替换预处理,同时进行初步预测,然后将预处理后的数据输入BP神经网络,综合BP神经网络和KNN的预测结果给出最终结论。实际环境中实验表明,所提出的模型能够有效地提高物联网环境中预测的准确度和稳定性。     

自主式水下航行器三维路径跟踪的神经网络H∞鲁棒自适应控制方法

本文研究了存在模型不确定以及外界未知扰动情况下的自主式水下航行器(AUV)的三维路径跟踪控制问题. 针对此问题, 首先利用时标分离原理及正交投影Serret-Frenet坐标系建立了描述AUV质心运动及姿态运动的的仿射非线性数学模型. 其次, 在控制器设计中运用神经网络H∞鲁棒自适应算法克服了模型的不确定性及扰动, 同时在控制器设计中利用了主导输入的思想, 降低了闭环系统的复杂度, 减少了实时计算工作量, 便于工程应用. 基于Lyapunov理论的分析保证了系统的稳定性. 仿真结果表明, 路径跟踪控制律可以保证AUV沿期望路径运动, 并且具有良好的动态性能.     

基于神经网络补偿的滑模控制在AUV运动中的应用*

由于自主水下机器人水动力模型参数的不确定性及其强非线性,提出神经网络动态滑模面控制法。将系统分为确定与不确定部分,通过滑模控制实现对系统确定部分的控制,通过神经网络所具有的自适应调节能力实现对未知干扰与不确定部分进行补偿控制,提高系统的强鲁棒性。通过Lyapunov法验证了控制算法的收敛性;通过MATLAB仿真平台和半物理仿真平台,验证了算法的鲁棒性和抗干扰性。