一种融合DGSOM神经网络的仿生算法研究
基于生理学和脑科学研究成果提出的SOM神经网络仿生优化方法能够通过学习自主绘制出拓扑地图,但需通过大量的尝试确定其初始网络结构,无法保证系统的实时性.提出一种方向信息和特征信息构建的动态增长自组织特征网DGSOM,通过引入方向参数减少网络的训练次数,降低了系统复杂度,通过引入特征参数避免了感知混淆,并将该神经网络模型应用于澳大利亚Milford等提出的RatSLAM模型中.实验表明,提出的DGSOM-RatSLAM模型通过减少视觉细胞的数量降低系统的复杂度;通过视觉细胞的场景匹配实验和位姿细胞的活性状态实验证明该模型能够更快地实现闭环检测,提出的DGSOM-RatSLAM模型的准确率、召回率及F1值分别为94.74%、86.88%和90.64%,高斯噪声干扰下Gauss-DGSOM-RatSLAM模型的准确率、召回率及F1值分别为86.70%、80.25%、83.35%.
RatSLAM模型、DGSOM神经网络、同步定位与地图构建、闭环检测、准确率、召回率
12
TP242.6;TP183(自动化技术及设备)
安徽高校自然科学研究项目KJ2016A794
2017-08-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
405-412