期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
双目立体视觉和GSOM相结合的机器人自主地图构建方法 被引量:5
1
作者 于乃功 王丽 《计算机测量与控制》 CSCD 北大核心 2011年第11期2810-2813,共4页
双目立体视觉和自组织可增长特征映射图GSOM(Growing Self-organizing Map)相结合的机器人地图构建方法首先利用双目立体摄像机采集图像,借助双目立体视觉处理技术,将采集到的图像信息转化成神经网络的训练样本;然后利用GSOM的地图绘制... 双目立体视觉和自组织可增长特征映射图GSOM(Growing Self-organizing Map)相结合的机器人地图构建方法首先利用双目立体摄像机采集图像,借助双目立体视觉处理技术,将采集到的图像信息转化成神经网络的训练样本;然后利用GSOM的地图绘制算法,通过不断增加新的神经元实现网络规模的增长,用441个SOM神经元便表示了2000个样本点的环境特征信息的拓扑地图,体现了对输入样本分布的逼近特性;实验结果表明双目立体视觉和GSOM相结合的机器人自主地图构建方法可行,并表现出类似生物的自主智能行为。 展开更多
关键词 双目立体视觉 gsom 神经网络 拓扑地图
下载PDF
基于GSOM神经网络模型的交通行为模式学习方法研究 被引量:1
2
作者 施毅 黄卫 +1 位作者 路小波 刘涛 《公路交通科技》 CAS CSCD 北大核心 2008年第5期121-125,共5页
提出了一种用于基于视频的交通事件自动检测的交通行为模式学习方法。首先为了获取利用神经网络进行车辆行为模式学习所需的训练数据,一种基于运动估算的车辆跟踪算法被建立,将采集到的灰度视频图像序列转化为车辆标号场时空序列。其次... 提出了一种用于基于视频的交通事件自动检测的交通行为模式学习方法。首先为了获取利用神经网络进行车辆行为模式学习所需的训练数据,一种基于运动估算的车辆跟踪算法被建立,将采集到的灰度视频图像序列转化为车辆标号场时空序列。其次,使用轨迹建模和编码的方法,将跟踪结果转化为轨迹数据用于网络训练。在此基础上,建立自组织神经网络,并针对自组织网络的不足使用改进的GSOM模型,选择欧氏范数作为测度,自主开发了试验软件,以U形转事件为对象开展试验,对轨迹数据进行学习。对比试验结果表明改进的GSOM算法能有效提取行为模式。GSOM相比SOM用于行为模式学习更为有效和准确。 展开更多
关键词 智能运输系统 交通行为模式学习 gsom神经网络模型 车辆跟踪 交通事件自动检测
下载PDF
人工神经元网络在空间数据挖掘与知识发现中的应用研究 被引量:3
3
作者 赵波 边馥苓 +2 位作者 潘蜀健 陈琳 陈德豪 《系统工程》 CSCD 北大核心 2004年第9期92-95,共4页
对常用的空间数据挖掘方法进行分析,认为常用的统计学方法对数据的限制较多,且计算量较大,在应用中有一定的局限性。与此相反,神经网络方法由于其固有的自学习能力和抗干扰能力,在空间数所挖掘领域有着广泛的应用前景。最后在空间数据... 对常用的空间数据挖掘方法进行分析,认为常用的统计学方法对数据的限制较多,且计算量较大,在应用中有一定的局限性。与此相反,神经网络方法由于其固有的自学习能力和抗干扰能力,在空间数所挖掘领域有着广泛的应用前景。最后在空间数据挖掘领域引入GSOM网络,用于空间聚类,通过实例证明,效果较好。 展开更多
关键词 空间数据挖掘与知识发现 神经网络 空间聚类 gsom
下载PDF
基于自组织可增长映射的移动机器人仿生定位算法研究 被引量:7
4
作者 陈孟元 徐明辉 《电子与信息学报》 EI CSCD 北大核心 2021年第4期1003-1013,共11页
为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射(GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距... 为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射(GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径。实验结果表明细胞间隔R对定位精度有较大影响,选取合适的细胞间隔能有效地减少神经网络的学习时间,提高定位精度,该文算法平均误差在0.153 m以内,定位精度达到90.243%,均优于原有算法。经验证该文算法建立的模型能够实现机器人的空间位置表征,提高了机器人在实验场景下的定位精度,表现出良好的位置估计性能。 展开更多
关键词 移动机器人 自组织可增长映射 位置细胞 位置表征 定位精度
下载PDF
基于引力自组织神经网络的震害遥感影像分类
5
作者 黄惠 郑雄伟 +4 位作者 孙根云 郝艳玲 张爱竹 容俊 马红章 《国土资源遥感》 CSCD 北大核心 2019年第3期95-103,共9页
针对高空间分辨率遥感影像震害目标难以识别和提取的问题,结合分形纹理和引力自组织神经网络(gravitationalself-organizingmap,gSOM),提出了一种新的面向对象分类方法。首先,利用分割算法对原始影像进行初始过分割,得到均质性较好的分... 针对高空间分辨率遥感影像震害目标难以识别和提取的问题,结合分形纹理和引力自组织神经网络(gravitationalself-organizingmap,gSOM),提出了一种新的面向对象分类方法。首先,利用分割算法对原始影像进行初始过分割,得到均质性较好的分割单元,以分割单元作为待处理对象;在此基础上,利用分形纹理描述待分割对象,同时融合光谱特征构建震害目标的特征向量;最后,利用gSOM对分割对象进行聚类,得到聚类结果,并利用一致性函数以最小代价将多样性的聚类结果集成,最终实现快速、自动决策分类。以四川省汶川县震后高空间分辨率遥感影像为实验数据对算法进行定性和定量的评价,结果表明,该算法能够有效地描述复杂的震害目标,既可以保持大面积震害目标的完整性,也可以反映小的震害目标及其细节信息,提高震害影像的自动分类精度。 展开更多
关键词 分形纹理 引力自组织神经网络 高空间分辨率遥感 震害 面向对象分类
下载PDF
Lagrangian generic second order traffic flow models for node 被引量:1
6
作者 Asma Khelifi Habib Haj-Salem +1 位作者 Jean-Patrick Lebacque Lotfi Nabli 《Journal of Traffic and Transportation Engineering(English Edition)》 2018年第1期14-27,共14页
This study sheds light on higher order macroscopic traffic flow modeling on road networks, thanks to the generic second order models (GSOM family) which embeds a myriad of traffic models. It has been demonstrated th... This study sheds light on higher order macroscopic traffic flow modeling on road networks, thanks to the generic second order models (GSOM family) which embeds a myriad of traffic models. It has been demonstrated that such higher order models are easily solved in Lagrangian coordinates which are compatible with both microscopic and macroscopic descriptions. The generalized GSOM model is reformulated in the Lagrangian coordinate system to develop a more efficient numerical method. The difficulty in applying this approach on networks basically resides in dealing with node dynamics. Traffic flow characteristics at node are different from that on homogeneous links. Different geometry features can lead to different critical research issues. For instance, discontinuity in traffic stream can be an important issue for traffic signal operations, while capacity drop may be crucial for lane-merges. The current paper aims to establish and analyze a new adapted node model for macroscopic traffic flow models by applying upstream and downstream boundary conditions on the Lagrangian coordinates in order to perform simulations on networks of roads, and accompanying numerical method. The internal node dynamics between upstream and downstream links are taken into account of the node model. Therefore, a numerical example is provided to underscore the efficiency of this approach. Simulations show that the discretized node model yields accurate results. Additional kinematic waves and contact discontinuities are induced by the variation of the driver attribute. 展开更多
关键词 MACROSCOPIC Traffic flow modeling gsom family LAGRANGIAN NODE
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部