利用遞迴式模糊類神經(jīng)網(wǎng)路(recerrent neural networks system identification, RFNN)進(jìn)行系統(tǒng)辨識(shí), 自己寫的請(qǐng)多包含
標(biāo)簽： identification recerrent networks neural
上傳時(shí)間： 2017-02-27
上傳用戶：LIKE
C++神經(jīng)網(wǎng)絡(luò)，c++，BP網(wǎng)絡(luò)模型，適用于多對(duì)一
標(biāo)簽：
上傳時(shí)間： 2017-04-09
上傳用戶：iswlkje
HT45RM03A 在電動(dòng)自行車控制器中的應(yīng)用
上傳時(shí)間： 2016-12-29
上傳用戶：水口鴻勝電器
神經(jīng)網(wǎng)絡(luò)在智能機(jī)器人導(dǎo)航系統(tǒng)中的應(yīng)用研究1神經(jīng)網(wǎng)絡(luò)在環(huán)境感知中的應(yīng) 用 對(duì)環(huán)境 的感 知 ，環(huán)境模型 妁表示 是非常重要 的。未 知 環(huán)境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊(cè)格法表示范圍較大的工作環(huán)境，在滿足 精度要求 的情況下，必定要占用大量的內(nèi)存，并且采用柵 格法進(jìn)行路徑規(guī)劃，其計(jì)算量是相當(dāng)大的。Kohon~n自組織 神經(jīng)瞬絡(luò)為機(jī)器人對(duì)未知環(huán)境的蒜知提供了一條途徑。 Kohone~沖經(jīng)網(wǎng)絡(luò)是一十自組織神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)的結(jié) 果能體現(xiàn)出輸入樣本的分布情況，從而對(duì)輸入樣本實(shí)現(xiàn)數(shù) 據(jù)壓縮 。基于 網(wǎng)絡(luò) 的這些特 性，可采 用K0h0n曲 神經(jīng)元 的 權(quán)向量來(lái)表示 自由空間，其方法是在 自由空間中隨機(jī)地選 取坐標(biāo)點(diǎn)xltl【可由傳感器獲得】作為網(wǎng)絡(luò)輸入，神經(jīng)嘲絡(luò)通 過(guò)對(duì)大量的輸八樣本的學(xué)習(xí)，其神經(jīng)元就會(huì)體現(xiàn)出一定的 分布形 式 學(xué)習(xí)過(guò)程如下：開(kāi) 始時(shí)網(wǎng)絡(luò)的權(quán)值隨機(jī)地賦值 ， 其后接下式進(jìn)行學(xué) 習(xí)： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經(jīng)元 1在t時(shí)刻對(duì) 應(yīng)的權(quán)值 ；a(∽ 謂整系 數(shù) ； (『l網(wǎng)絡(luò)的輸八矢量；Ⅳ()：學(xué)習(xí)的 I域。每個(gè)神經(jīng)元能最 大限度 地表示一 定 的自由空間 。神經(jīng) 元權(quán) 向量的最 小生成 樹可以表示出自由空問(wèn)的基本框架。網(wǎng)絡(luò)學(xué)習(xí)的鄰域 (，) 可 以動(dòng) 態(tài)地 定義 成矩形 、多邊 形 。神經(jīng) 元數(shù)量 的選取取 決 于環(huán)境 的復(fù)雜度 ，如果神 經(jīng)元 的數(shù)量 太少 ．它們就 不能 覆 蓋整十空間，結(jié)果會(huì)導(dǎo)致節(jié)點(diǎn)穿過(guò)障礙物區(qū)域 如果節(jié)點(diǎn) 妁數(shù)量太大 ．節(jié)點(diǎn)就會(huì)表示更多的區(qū)域，也就得不到距障 礙物的最大距離。在這種情況下，節(jié)點(diǎn)是對(duì)整個(gè) 自由空間 的學(xué) 習(xí)，而不是 學(xué)習(xí)最 小框架空 間 。節(jié) 點(diǎn)的數(shù) 量可 以動(dòng)態(tài) 地定義，在每個(gè)學(xué)習(xí)階段的結(jié)柬．機(jī)器人會(huì)檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒(méi)有足夠的節(jié)點(diǎn) 來(lái) 覆蓋整 十 自由窯 間，需要增加 網(wǎng)絡(luò)節(jié)點(diǎn)來(lái) 重新學(xué) 習(xí) 所 138一 以為了收斂于最小框架表示 ，應(yīng)該采用較少的網(wǎng)絡(luò) 節(jié)點(diǎn)升 始學(xué)習(xí)，逐步增加其數(shù)量。這種方法比較適臺(tái)對(duì)擁擠的'E{= 境的學(xué)習(xí)，自由空間教小，就可用線段表示；若自由空問(wèn) 較大，就需要由二維結(jié)構(gòu)表示 。 采用Kohonen~沖經(jīng)阿絡(luò)表示環(huán)境是一個(gè)新的方法。由 于網(wǎng)絡(luò)的并行結(jié)構(gòu)，可在較短的時(shí)間內(nèi)進(jìn)行大量的計(jì)算。并 且不需要了解障礙物的過(guò)細(xì)信息．如形狀、位置等 通過(guò) 學(xué)習(xí)可用樹結(jié)構(gòu)表示自由空問(wèn)的基本框架，起、終點(diǎn)問(wèn)路 徑 可利用樹的遍 歷技術(shù)報(bào)容易地被找到 在機(jī)器人對(duì)環(huán)境的感知的過(guò)程中，可采用人】：神經(jīng)嘲 絡(luò)技術(shù)對(duì) 多傳 感器的信息進(jìn) 行融臺(tái) 。由于單個(gè)傳感器僅能 提 供部分不 完全 的環(huán)境信息 ，因此只有秉 甩 多種傳感器 才 能提高機(jī)器凡的感知能力。 2 神經(jīng) 網(wǎng)絡(luò)在局部路徑規(guī)射中的應(yīng) 用 局部路徑 規(guī)刪足稱動(dòng)吝避碰 規(guī)劃 ，足以全局規(guī)荊為指 導(dǎo) 利用在線得到的局部環(huán)境信息，在盡可能短的時(shí)問(wèn)內(nèi)
標(biāo)簽： 神經(jīng)網(wǎng)絡(luò) 智能機(jī)器人 導(dǎo)航
上傳時(shí)間： 2022-02-12
上傳用戶：qingfengchizhu
字元辨識(shí)系統(tǒng)-利用二元化之後利用類神經(jīng)網(wǎng)路系統(tǒng)來(lái)辨識(shí)字原碼
上傳時(shí)間： 2013-12-28
上傳用戶：waizhang
類神經(jīng)網(wǎng)路中的RBF matlab toolbox
上傳時(shí)間： 2016-07-22
上傳用戶：daguda
類神經(jīng)網(wǎng)路，MLP程式碼，可以計(jì)算多層架構(gòu)之類神經(jīng)網(wǎng)路運(yùn)算~C
標(biāo)簽：
上傳時(shí)間： 2013-12-28
上傳用戶：txfyddz
小弟撰寫的類神經(jīng)網(wǎng)路backpropagataion,可以train如xor等互斥問(wèn)題,使用bcb所完成,因?yàn)殚_(kāi)發(fā)介面較為便利, 大部分使用類別的方法撰寫,所以若有興趣移植到vc的朋友,應(yīng)該也不會(huì)有太大的障礙。
標(biāo)簽： backpropagataion train bcb xor
上傳時(shí)間： 2013-12-30
上傳用戶：jeffery
類神經(jīng)網(wǎng)路的基本運(yùn)算-TLU,為所有學(xué)習(xí)類神經(jīng)入門的的第一個(gè)演算法,單一的neural做簡(jiǎn)易的training,雖無(wú)法解xor的問(wèn)題,但卻是人類史上的類神經(jīng)的第一步.
標(biāo)簽： training neural TLU xor
上傳時(shí)間： 2015-12-02
上傳用戶：851197153
追隨sin函數(shù),輸出有包含物插曲線圖,到傳遞神經(jīng)網(wǎng)路
標(biāo)簽： sin
上傳時(shí)間： 2014-01-08
上傳用戶：change0329
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
