无线地磅控制器隐藏层计算单位

    本文通过成功应用DBNN方法和遗传算法设计了机器人目标识别地磅控制器方法与抓取系统。 DBNN方法用于对象识别，GA用于优化DBNN参数。DBNN是由随机潜在变量组成的生成图形模型，在输入和输出层之间具有多个隐藏的单位层。 DBNN由一堆受限的Boltzmann机器（RBM）组成。 RBM由数字地磅遥控器可见层和隐藏层组成，或者由隐藏层和另一个隐藏层组成。

    一层的神经元完全连接到另一层的神经元，但是同一层的无线地磅控制器神经元内部没有相互连接。当固定可见层的单元时，RBM达到热平衡。 DBNN方法的一般结构如图1所示。DBNN具有两个基本属性：1）DBNN是自顶向下的逐层学习过程。它在前两个隐藏层中具有生成权重，可以找到一层中的变量如何与另一层变量通信，而在最后一个隐藏层中则可以使用判别权重来对对象进行分类。 2）在逐层学习之后，隐藏单元的值可以通过自下而上的遍历获得。它从底层的可见数据向量开始。其中v是一组具有v∈{0,1} nv的可见单位，h是一组具有h∈{0,1} nh的隐藏单位。 nv是可见层中的单位总数，nh是隐藏层中的单位总数。 a是可见单位的偏差项，b是隐藏单位的偏差项。 w表示电子地磅遥控器可见单位和隐藏单位之间的权重。

 

    在提出的实验中，我们将DBNN方法用于目标识别。所提出的已实现的DBNN方法的结构如图2所示。DBNN方法由一个可见层，三个隐藏层和一个输出层组成。可见层由输入图像的784个神经元组成。 GA [18]在每层中找到最优的隐藏单元数。在我们的实现中，第一，第二和第三隐藏层中的隐藏单元数分别为535、229和355。输出层由六种不同类型的对象类组成。在采样方法中，我们应用两种不同类型的采样：对比散度（CD）和持续对比散度（PCD）。在第一个地磅遥控器隐藏层中，我们将应用PCD采​​样方法，因为PCD会探索整个输入域。在第二和第三隐藏层中，我们使用CD采样方法，因为CD在输入示例附近进行了探索。通过结合两种采样方法，提出的DBNN方法可以收集最佳特征以识别对象。