本文關(guān)鍵詞： 極限學(xué)習(xí)機 局部感受野 機器目標識別 多模態(tài)融合 機器觸覺識別　出處：《太原理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著機器視覺在模式識別、圖像處理以及人工智能等技術(shù)領(lǐng)域的應(yīng)用愈加廣泛,對其研究的內(nèi)容也層出不窮。圖像分類技術(shù)是圖像處理和理解的基本問題,是計算機視覺和模式識別核心研究領(lǐng)域之一。在現(xiàn)實世界中,我們用人眼去認知外界的事物,通過人眼捕獲外界傳來的視覺信息,然后將這些信息交給大腦處理,即使其中某些圖像信息會受光線、視角和尺寸等因素影響,但仍然能夠通過大腦中已有的信息對其進行分類識別。相應(yīng)的,在計算機視覺鄰域,攝像機或者其他成像設(shè)備代替人眼,用計算機模擬大腦,通過對攝像機獲取的數(shù)據(jù)信息進行處理和分析,從而得出正確的圖像內(nèi)容。近年來,該技術(shù)被廣泛應(yīng)用在機器人視覺和觸覺識別上,大大提高了機器人感知識別物體的能力。機器視覺作為機器人獲得環(huán)境信息的重要手段之一,它可以增加機器人的自主能力,提高機器人的靈活性。人們希望機器人可以智能的感知周圍環(huán)境和事物的信息,例如快速的識別出呈現(xiàn)在其眼前的事物以及通過觸摸物體來感知物體表面的屬性,從而更好的服務(wù)人類。典型的機器人識別方法一般是引入深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),例如CNNs,該方法雖然效果很好但是耗時巨大,效率不高。近年來,黃廣斌等人提出了一種新型的單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)極限學(xué)習(xí)機(ELM),該結(jié)構(gòu)訓(xùn)練時間大大減小,分類精度也大大提高。在elm基礎(chǔ)上,黃廣斌等人引入了局部感受野并結(jié)合cnn傳統(tǒng)的卷積和池化操作提出一種新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)即基于局部感受野的極限學(xué)習(xí)機(elm-lrf),該模型輸入與隱藏層間的連接是稀疏的,且由相應(yīng)的局部感受野(對連續(xù)概率分布采樣得到)包圍,實驗證明該模型不僅大大縮短了訓(xùn)練時間,而且也提高了算法的穩(wěn)定性。因此,針對該新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進一步研究具有十分重要的理論意義。本文以elm-lrf為核心模型,將該算法應(yīng)用于機器人目標識別和觸覺識別當(dāng)中,并在此基礎(chǔ)上加以擴展研究進行改進,極大的提高了識別效率并且大幅度縮短運算時間。本文的主要創(chuàng)新點有:(1)針對當(dāng)前目標識別研究現(xiàn)狀,提出多模態(tài)模型進行目標識別,進一步提高對目標識別的準確率。通過前期分通道獨立提取特征,減少外界噪聲影響,之后將特征組合進行分類,很大程度上可以提高分類的穩(wěn)定性和準確性。(2)考慮到目標圖像高層特征的復(fù)雜性以及單層的elm-lrf已不能滿足海量圖像的分類處理需求,因此,將單層elm-lrf進行深度擴展成多層深度elm-lrf(helm-lrf),進行多次卷積與池化操作。該深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不僅可以提取深度圖像的抽象信息,而且保證了數(shù)據(jù)特征屬性的位移不變性,很大程度上提升了對圖像的分類處理能力。(3)提出一種基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)特征提取的層次表達模型,該模型利用粗糙集下屬性約簡的相關(guān)理論,利用其提取有用特征的能力,將圖像進行特征篩選,之后輸入到helm-lrf中進行特征提取和分類。
[Abstract]:......
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 劉海濤;續(xù)欣瑩;謝s，

本文編號：1507629