Captiondetectionfromvideosequencebasedonfuzzyneural.pptVIP

第九章 模糊与神经网络倒车系统比较 OUTLINE Backing up a truck Fuzzy truck backer-upper system Neural truck backer-upper system Comparison of fuzzy and neural systems Sensitivity analysis Adaptive fuzzy truck backer-upper Fuzzy truck-and-trailer controller BP truck-and-trailer control systems AFAM truck-and-trailer control systems Conclusion Reference 对于输出序列需要解（去）模糊 Matlab 仿真实验 Matlab 仿真结果 “死锁” 问题 Neural truck backer-upper system 由Nguyen和Widrow提出（1989） 包括多层由BP梯度下降算法训练得到的前馈神经网络 神经控制系统包括两个神经网络 控制网络 ：在 给定的停车位置（x,y）和角Φ，产生一个合适的舵角输出信号 模仿网络 ：输入当前车的位置和由控制网络计算得来的当前舵角的输出，计算车的下一个位置 （因为我们不能得到具有普遍性的样本，因此不能训练模仿网络，并且BP学习算法对一些训练样本而言并不收敛。而对于模仿网络，样本数应该大于3000。e.g. 本例的样本数应该为18×5×5×7＝3150 ） 用BP算法训练控制网络。控制网络使用带有sigmoid逻辑函数的24个隐层神经元； 在车的控制器的训练中，训练之前，在每一阶段先估计理想的舵角信号； 在模仿阶段，将由模糊控制器产生的弧形轨迹作为理想轨迹； 模糊控制器在车后退过程的每一次迭代中，产生每一个训练样本（x, y, φ, θ ）.用35个训练样本矢量和所需的超过100，000次迭代来训练控制网络。 Comparison of fuzzy and neutral systems 模糊控制器总能够平滑控制倒车过程 神经网络控制有时形成非正常轨迹。 BP神经网络训练过程时间长，需几千个训练样本。 模糊控制的“训练”由常识性的FAM规则库完成，可直接计算控制输出，不需要数学模型仿真。 模糊控制计算量小，主要进行实数加法和比较运算。 经网络控制计算量大，主要为实数加法、乘法和对数运算。 Sensitivity analysis 破坏FAM规则?破坏系统稳定性 删除或改变模糊控制器的FAM规则 删除神经网络的训练数据 Adaptive fuzzy truck backer-upper 自适应FAM系统从训练数据中产生FAM规则。 如第8章所述FAM规则（Ai，Bi)定义了样本空间超立方体In×Ip 中点或小球的一个聚类，聚类中心为（Ai，Bi)。自适应聚类 算法可在R2空间估计出未知的规则。在此，应用了微分竞争学 习（DCL）完成规则库的恢复。 从7个不同的起始位置，以不同的Φ值，利用已知FAM规则， 产生相应轨迹，得到2230个训练样本（x, Φ, θ). Fuzzy truck-and trailer controller 任务是：设计控制方案，以使倒车的运动轨迹最短。 BP truck-and trailer control systems AFAM truck-and-trailer control systems Conclusion We can use only common sense and error-nulling intuitions to generate sufficient banks of FAM rules These systems performed well until we removed over 50 percent of the FAM rules. This robustness suggests that, fuzzy engineers can solve many estimation and control problems The speed with which the DCL clustering technique recovers the underlying FAM bank further suggests that we can likewise construct fuzzy systems for more complex, higher-dimensional problems Wherever we model a system with neutral networ