发育机器人集成学习算法研究

论文摘要

制造出“类人”的智能机器人,一直以来是机器人学乃至整个人工智能界所追求的终极目标。以自主心智发育为核心的发育机器人为实现这一目标提出了新的设计范式,并为实现这一目标开辟了一条新的途径。发育机器人的最大优点是:模仿人类心理发育过程,无须面向任务进行编程,将程序员从繁重的体力与脑力劳动中解放了出来,同时具有在线学习等优点,很快便成为了机器人领域的研究热点之一。但是现有的发育机器人算法都存在着两个共同的缺陷,那就是无法有效的处理任务冲突和泛化能力有限的问题,如何解决这两个问题是当务之急。本文首先给出了发育机器人的概念,并综述了发育机器人的国内外研究现状及其特点,重点分析了发育机器人领域现有的主要学习方法及其主要优缺点。其次,介绍了一种机器学习范式—集成学习,它使用多个学习器来解决同一个问题,能够显著提高学习系统的泛化能力,因此本文把集成学习方法引入发育学习算法中以提高泛化能力。针对现有的发育学习算法主要缺点,即:不能有效地解决任务的冲突性和泛化能力有限的问题,本文分别给出了任务驱动发育学习算法(TDD)和任务驱动算法集成(NCETDD)。NCETDD算法是在TDD算法的基础上对其主要载体BP神经网络进行负相关学习的有效集成。在实验部分本文从多任务性方面对TDD算法进行了性能测试,并从实时性和任务区分性两个方面对TDD和IHDR进行了实验比较。而对NCETDD则在此基础上增加了泛化能力的测试。仿真实验与实体实验的结果表明了NCETDD算法不仅可以有效地解决任务冲突,而且有效地提高了发育机器人的泛化能力,并能体现出机器人发育的特性。最后,对未来的工作做出了一些设想。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的研究背景及意义
• 1.2 发育机器人研究现状
• 1.2.1 发育模型
• 1.2.2 发育学习方法
• 1.3 主要研究工作及内容安排
• 第2章 集成学习
• 2.1 集成学习的基本概念
• 2.2 集成学习的诞生与发展
• 2.3 集成学习的有效原因及条件
• 2.4 集成学习的主要算法
• 2.4.1 Boosting算法
• 2.4.2 Bagging算法
• 2.4.3 交叉验证
• 2.5 神经网络集成
• 2.5.1 神经网络集成研究
• 2.5.2 神经网络集成的应用成果
• 2.6 本章小结
• 第3章 任务驱动的发育学习算法集成
• 3.1 引言
• 3.2 任务驱动的发育模型
• 3.3 任务驱动的发育学习算法
• 3.4 TDD算法集成
• 3.4.1 负相关学习
• 3.4.2 负相关神经网络集成算法
• 3.4.3 负相关集成 TDD
• 3.4.4 TDD和NCETDD的前端处理和主要载体
• 3.5 本章小结
• 第4章 算法的实现与仿真
• 4.1 软硬件实验环境介绍
• 4.2 TDD算法主要性能测试
• 4.2.1 实时性测试
• 4.2.2 任务区分性测试
• 4.2.3 多任务性测试
• 4.3 NCETDD算法主要性能测试
• 4.3.1 NCETDD参数设置及实验方案
• 4.3.2 NCETDD泛化能力测试
• 4.3.3 NCETDD实时性测试
• 4.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的论文和取得的科研成果
• 致谢