基于差分进化支持向量机的移动机器人可通过度预测

被引：7

作者：

郭晏

宋爱国

包加桐

崔建伟

章华涛

机构：

[1] 东南大学仪器科学与工程学院江苏省远程测控技术重点实验室

来源：

机器人 | 2011年 / 33卷 / 03期

关键词：

移动机器人; 可通过度; 差分进化; 支持向量机;

D O I：

暂无

中图分类号：

TP242 [机器人];

学科分类号：

1111 ;

摘要：

提出了一种移动机器人可通过度预测方法.给出了基于相对震动强度的可通度描述.通过提取典型地表图像的色彩和纹理特征并测量机器人通过该地表的相对震动强度建立训练样本集.使用差分进化算法优化支持向量机模型参数形成差分进化支持向量机对训练样本和相对震动强度进行拟合.在移动机器人运行过程中,线性分割前方地表图像形成预测子区域,通过提取各子区域内的色彩和纹理特征,利用训练好的差分进化支持向量机进行可通过度预测.考虑到移动机器人运动的柔顺性,给出了带有距离因子的基于可通过度预测值的最优路径方法.实验表明,该方法可以有效地预测复杂地表环境下的移动机器人可通过度.

引用

页码：257 / 264+272 +272

页数：9

共 7 条

[1] 非均衡数据目标识别中SVM模型多参数优化选择方法 [J].

郭雷 ;

肖怀铁 ;

付强 .

红外与毫米波学报, 2009, 28 (02) :141-145

[2] A novel multi-threshold segmentation approach based on differential evolution optimization [J].

Cuevas, Erik ;

Zaldivar, Daniel ;

Perez-Cisneros, Marco .

EXPERT SYSTEMS WITH APPLICATIONS, 2010, 37 (07) :5265-5271

[3] Support vector machine based aerodynamic analysis of cable stayed bridges [J].

Lute, Venkat ;

Upadhyay, Akhil ;

Singh, K. K. .

ADVANCES IN ENGINEERING SOFTWARE, 2009, 40 (09) :830-835

[4]

Variant of Gaussian kernel and parameter setting method for nonlinear SVM[J] . Shui-Sheng Zhou,Hong-Wei Liu,Feng Ye.Neurocomputing . 2009 (13)

[5]

Signal theory for SVM kernel design with applications to parameter estimation and sequence kernels[J] . J.D.B. Nelson,R.I. Damper,S.R. Gunn,B. Guo.Neurocomputing . 2008 (1)

[6] Differential evolution - A simple and efficient heuristic for global optimization over continuous spaces [J].

Storn, R ;

Price, K .

JOURNAL OF GLOBAL OPTIMIZATION, 1997, 11 (04) :341-359

[7]

Fuzzy logic, neural networks, and soft computing[J] . Lotfi A. Zadeh.Communications of the ACM . 1994 (3)

← 1 →