基于深度神经网络的智能车辆目标识别与学习控制方法研究.pdfVIP

目 录 摘 要i Abstract iii 第一章 绪论 1 1.1 课题研究背景与研究意义 1 1.2 国内外智能驾驶车辆研究发展现状 3 1.3 智能驾驶车辆视觉目标识别方法研究概述 6 1.3.1 基于人工特征的视觉目标识别方法 7 1.3.2 基于深度学习的视觉目标识别方法 7 1.4 深度神经网络学习控制方法研究现状 12 1.4.1 深度增强学习方法研究进展 12 1.4.2 深度增强学习方法应用现状 17 1.5 论文主要研究工作 19 1.5.1 主要研究内容 19 1.5.2 论文组织结构 20 1.5.3 论文主要创新点 22 第二章 采用深度卷积特征的超限学习目标识别方法25 2.1 引言 25 2.2 卷积神经网络及其特征学习原理 27 2.3 随机前馈神经网络原理 28 2.4 采用深度卷积特征的超限学习目标识别方法 32 2.4.1 深度卷积特征提取器设计 33 2.4.2 基于深度卷积特征的随机神经网络特征分类 34 2.4.3 德国交通路标识别数据库实验结果分析 35 2.4.4 比利时交通路标识别数据库实验结果分析 40 2.5 采用深度感知卷积特征的核超限学习交通路标识别方法 45 2.5.1 深度感知卷积特征学习 46 2.5.2 基于核超限学习机的随机神经网络特征分类 47 2.5.3 德国交通路标识别数据库实验结果分析 49 2.5.4 比利时交通路标识别数据库实验结果分析 54 2.6 本章小结 55 第 I 页 第三章 基于差分进化的分层稀疏自编码目标识别方法57 3.1 引言 57 3.2 进化算法理论与差分进化原理 57 3.3 基于堆栈自编码网络的特征学习 59 3.3.1 自编码网络特征编码学习原理 59 3.3.2 堆栈自编码网络特征编码学习原理 61 3.3.3 随机堆栈自编码网络特征编码学习原理 62 3.4 基于差分进化的分层稀疏自编码目标识别方法 63 3.4.1 种群个体定义与合适度函数设计 65 3.4.2 种群个体变异于交叉进化 66 3.5 实验验证分析 68 3.5.1 标准多类识别数据库实验结果与分析 68 3.5.2 手写体字符识别及3D 物体目标识别标准数据库实验结果与分析... 69 3.5.3 交通路标识别标准数据库实验结果与分析 73 3.6 本章小结 74 第四章 采用深度编码特征的自适应启发评价学习控制 75 4.1 引言 75 4.2 自适应启发式评价算法原理 75 4.3 采用深度编码特征与小脑模型神经网络的自适应启发评价算法 78 4.4 仿真实验验证分析 81 4.4.1 Acrobot 学习控制仿真验证实验 81 4.4.2 Mountain Car 学习控制仿真验证实验 86 4.5 本章小结 89 第五章 基于深度神经网络的仿人驾驶学习控制91 5.1 引言 91 5.2 模仿学习相关研究概述 92 5.3 采用