基于免疫机制和多示例学习的移动机器人进化导航研究

论文题目: 基于免疫机制和多示例学习的移动机器人进化导航研究

论文类型: 博士论文

论文专业: 模式识别与智能系统

作者: 李枚毅

导师: 蔡自兴

关键词: 移动机器人,定位和路径规划,免疫克隆进化算法,多示例学习,多图像,逆正态分布

文献来源: 中南大学

发表年度: 2005

论文摘要: 移动机器人技术在空间探测、国防、工业、农业、医学及社会服务业等领域显示了越来越广泛的应用前景,已成为国内外移动机器人学术界研究的热点。本文针对大范围环境、变化环境和未知环境,以免疫进化和多示例学习作为支撑技术,围绕移动机器人在它的运动过程中始终需要解决的定位与规划二个关键问题进行了比较深入的研究,其研究内容涉及基于多图像的定位、并发定位与建图、路径规划、进化与免疫计算和多示例学习等。本文完成的主要工作和取得的创新性成果如下。通过分析现有采样方法和多模函数优化过程中典型的早熟收敛现象,认为进化计算和免疫算法等智能优化算法需要一种以父体两旁为着重点搜索区域的采样范式,并提出使用逆正态分布进行采样。通过理论分析和实验,证实了这是一种在跳出局部极值方面有明显优势的采样方式。提出了一种多样度和适应度联合引导的选择、交叉与变异概率适应性计算策略;通过实验和分析,总结出了选择压力与进化算法性能之间的密切关系。通过数学分析,证明了二进制遗传算法的变异概率和多样度之间的数学关系,为多样度引导的遗传算法提供了一种变异概率调整理论和计算方法。在进化计算框架下,融合全局并行搜索的克隆选择和启发式局部搜索的免疫疫苗接种,设计了一类免疫克隆进化算法,并证明了该算法的全局收敛性。以该算法为核心,针对大范围环境和变化环境下的路径规划及未知环境下并发定位与建图等任务,分别提出了四种嵌入了领域知识的启发式免疫操作和进化操作的免疫克隆进化算法,并研究了各种任务下隐藏领域知识的提取问题。由于这些算法嵌入了从领域知识中提取出来的启发式操作算子,而且核心算法具有全局搜索能力,因此,明显地提高了这些算法处理相应问题的能力。结合多示例学习问题的固有特性,提出了一种监督-非监督多示例神经网络,该网络以负示例作为监督学习的教师信息,以正包进行非监督自组织聚类学习。该网络训练速度比较快、准确性较高和具有多概念学习能力。利用这些性质,设计了基于多示例学习的图像多候选目标识别方法和一种移动机器人导航方法,并通过移动机器人进行了导航实验。针对未知大范围环境下移动机器人定位问题采用了多图像表达场景信息,并在此基础上,提出了使用多示例学习的自动发现能力识别不同场景来进行移动机器人定位的方

论文目录:

第一章概述

1．1 研究背景

1．1．1 移动机器人导航研究背景

1．1．2 进化计算的研究背景与历史

1．1．3 免疫计算研究背景

1．1．4 多示例学习研究背景

1．2 研究现状

1．2．1 移动机器人导航研究现状

1．2．2 进化计算研究现状

1．2．3 混合进化计算和免疫进化算法研究现状

1．2．4 多示例学习研究现状

1．3 本文的主要研究内容和各章安排

1．3．1 本文所针对的问题和采取的对策

1．3．2 研究内容和各章的具体安排

第二章智能优化算法的采样方法研究

2．1 采样范式分析

2．2 逆正态分布采样

2．2．1 多模函数优化中一种典型现象的分析

2．2．2 逆正态分布的定义及其基本性质

2．2．3 逆正态分布采样在多模函数优化中的优势分析

2．3 逆正态分布采样的仿真实验结果与分析

2．3．1 克隆选择算法

2．3．2 仿真实验结果与分析

2．4 逆正态分布和高斯分布组合的采样方法

2．4．1 逆正态分布的不足及其改进方法

2．4．2 逆正态分布和高斯分布组合的采样实验结果

2．5 小结

第三章多样度和适应度引导的进化计算研究

3．1 进化算子操作概率适应性调整方法

3．1．1 适应性进化操作概率的统一计算公式

3．1．2 局部搜索进化算子的适应性操作概率计算策略

3．2 多样度分析

3．3 多样度和适应度相结合引导的一种交叉与变异概率计算策略

3．4 多样度与适应度引导的选择压力适应性调整策略

3．5 多样度与适应度联合引导的遗传算法与实验分析

3．5．1 多样度与适应度联合引导的遗传算法描述

3．5．2 函数优化的实验结果与分析

3．6 多样度和适应度联合引导变异的二进制遗传算法

3．6．1 二进制编码下变异概率与多样度之间的数学关系分析

3．6．2 适应性宏观-局部变异方法

3．7 小结

第四章一种免疫克隆进化算法及其在并发定位与建图中的应用

4．1 免疫克隆进化算法

4．1．1 免疫克隆进化算法的描述

4．1．2 免疫克隆进化算法的分析和变形

4．1．3 免疫克隆进化算法的函数优化实验与分析

4．2 免疫克隆进化算法的全局收敛性

4．2．1 全局收敛性分析的预备知识

4．2．2 免疫克隆进化算法的全局收敛性分析

4．3 并发定位与建图方法存在的不足

4．4 基于占据栅格的感知数据融合和地图表示

4．5 基于免疫克隆进化算法的并发定位与建图

4．5．1 环境中的关键点栅格及其检测

4．5．2 激光雷达感知数据提取关键点方法

4．5．3 编码方式

4．5．4 适应度函数

4．5．5 进化操作与免疫操作

4．6 基于免疫克隆进化的并发定位与建图实验和结果分析

4．7 小结

第五章采用混合策略的移动机器人进化路径规划研究

5．1 移动机器人全局与局部路径规划发展趋势分析

5．2 移动机器人路径规划的一些性质

5．3 大范围环境下基于免疫克隆进化的移动机器人路径规划研究

5．3．1 路径的编码与表示

5．3．2 适应度函数

5．3．3 进化算子、克隆选择算子与免疫疫苗接种算子

5．3．4 基于免疫克隆进化的移动机器人路径规划算法描述

5．3．5 基于免疫克隆进化的移动机器人路径规划算法仿真实验

5．3．6 基于适应性概率调整免疫克隆进化的移动机器人路径规划方法

5．4 变化环境下基于免疫克隆选择和示例学习的进化路径规划研究

5．4．1 示例学习与免疫克隆进化算法相结合的路径规划算法

5．4．2 仿真实验结果与分析

5．5 小结

第六章基于监督-非监督学习的多示例学习方法研究

6．1 多示例学习的学习原理

6．2 监督-非监督多示例神经网络

6．2．1 多示例问题的监督-非监督学习思想

6．2．2 监督-非监督多示例神经网络学习算法的参数讨论

6．2．3 监督-非监督多示例神经网络的训练算法

6．2．4 监督-非监督多示例神经网络的预测方法

6．2．5 监督-非监督多示例神经网络实验与结果分析

6．3 基于多示例学习的图像多候选目标识别与导航方法

6．3．1 多示例学习算法中包的构造算法

6．3．2 基于多示例学习的多候选目标识别与导航算法

6．3．3 多候选目标识别与移动机器人导航实验

6．4 小结

第七章基于多示例学习的移动机器人多图像定位研究

7．1 多图像研究现状

7．2 多图像在场景识别中的优势

7．3 基于多图像场景识别与定位的系统框图和实现

7．3．1 系统框图

7．3．2 基于多示例学习的多图像场景识别方法

7．3．3 基于多示例学习的移动机器人多图像定位算法

7．4 基于多示例学习的移动机器人多图像定位实验

7．5 移动机器人多图像定位的优点分析

7．6 小结

第八章结论与展望

8．1 主要工作和创新

8．2 进一步的工作

参考文献

附录一测试函数

致谢

攻读博士学位期间主要的研究成果、著作和奖励

发布时间: 2006-03-28

参考文献

[1].基于不确定性分析的移动机器人室内定位与导航控制方法研究[D]. 张启彬.中国科学技术大学2018
[2].可重构多模式地面移动机器人的构型设计与性能研究[D]. 李晔卓.北京交通大学2018
[3].社会环境的轮式移动机器人定位导航方法研究[D]. 陈伟华.华南理工大学2018
[4].特种地面移动机器人机械系统设计与分析[D]. 欧屹.南京理工大学2013
[5].多移动机器人协作方法研究[D]. 姜健.哈尔滨工业大学2008
[6].一种球形移动机器人的运动分析与控制技术的研究[D]. 刘大亮.北京邮电大学2009
[7].移动机器人基于多传感器数据融合的定位及地图创建研究[D]. 庄严.大连理工大学2004
[8].虚拟现实技术在移动机器人遥操作系统中的应用研究[D]. 葛为民.天津大学2004
[9].基于互联网的移动机器人网络控制系统研究[D]. 孙启湲.天津大学2004
[10].多移动机器人运动控制策略的强化学习研究[D]. 庄晓东.中国海洋大学2005

基于免疫机制和多示例学习的移动机器人进化导航研究

猜你喜欢