笛笛科技公司标识
加入收藏         站内地图
咨询热线:13080701712  
您当前位置:地磅遥控器 > 新闻中心 > 正文

智能化电子地磅数据统计方式

点击数:   录入时间:2021-05-11 【打印此页】 【关闭
    自Hinton等[1]以来,深度学习(DL)开始推动人工智能电子地磅控制器研究的高潮。首先提出来。此后,DL已广泛应用于复杂图像识别,信号识别,汽车,纹理合成,军事,监视,自然语言处理等不同领域。深度体系结构的主要焦点是解释数据的统计变化,并自动发现从较低级别的要素到较高级别的概念的要素抽象。目的是学习由较低级别的要素组成的要素层次结构,并将其转换为较高级别的要素抽象。然后,研究开始分析用于机器人技术的DL网络。对于机器人应用,对象识别是一个非常关键的研究领域。 Nevita等人[2] 1977年介绍了对象识别过程。此后,研究人员针对不同类型的对象识别问题提出了不同类型的方法[3]-[7]。如今,DL在机器人对象识别的应用中越来越受欢迎。许多研究人员致力于将DL [8]-[13]用于多种机器人任务。这些贡献使机器人应用程序在地磅遥控器工业应用以及家务劳动中非常有用。
 
    但是,DL网络的创建和培训需要大量的精力和计算量。 DL具有许多影响网络性能的参数。最近,电子地磅控制器研究人员正在努力将进化算法与DL集成在一起,以优化网络性能。 Young等人[14]解决了用于DL的多节点进化神经网络,从而通过使用遗传算法(GA)的超参数优化在计算集群上实现网络选择的自动化。 Lamos-Sweeney [15]提出了使用遗传算法的多层DL网络。这种方法降低了计算复杂度,并提高了DL算法的整体灵活性。 Lander [16]实施了一种进化技术,以便为每个自动编码器找到最佳的抽象特征,并提高了DL的整体质量和能力。邵等[17]通过使用多目标遗传编程来生成用于图像分类的领域自适应全局特征描述符,开发了一种进化学习方法。本文提出了一种基于遗传算法和深度信念神经网络(DBNN)的自主机器人目标识别与抓取系统。遗传算法用于优化DBNN方法的参数,例如历元数,隐藏单元数和隐藏层中的学习率,这些参数对网络的结构和DL网络的性能有很大影响。优化参数后,使用DBNN方法识别对象。然后,机器人生成从初始位置到物体抓握位置的轨迹,拾取物体并将其放置在地磅遥控器预定位置。
 
    本文的其余部分安排如下:DBNN方法在第2节中进行了介绍; DBNN方法在第2节中进行了介绍。第3节中提到了DBNN参数的演变; GA演化结果在第4节中介绍;第5节显示了GA和DBNN在机器人上的实现。最后,在第6节中,我们对本文进行了总结并给出了未来的地磅遥控器研发工作。