隨著人類對(duì)海洋開(kāi)發(fā)和認(rèn)識(shí)的逐步深入,視覺(jué)水下航行器已成為探索海洋的關(guān)鍵設(shè)備,并廣泛應(yīng)用于水下搜救、勘測(cè)及海洋生物監(jiān)測(cè)等任務(wù)。視覺(jué)環(huán)境感知作為視覺(jué)水下航行器獲取、分析和認(rèn)知所處環(huán)境的重要手段,通過(guò)處理和反饋視覺(jué)信息輔助水下航行器自主控制決策,保障了決策的正確性及水下航行器的安全性。在不同水下任務(wù)下環(huán)境感知與自主控制決策的實(shí)時(shí)性存在差異,不匹配的感知和控制方案會(huì)造成狀態(tài)提取與控制決策的異步,無(wú)法保障水下航行器自主航行控制的魯棒性,嚴(yán)重時(shí)甚至造成控制系統(tǒng)的失穩(wěn)導(dǎo)致任務(wù)失敗。在此背景下,本文以水下航行器為研究對(duì)象,以離散視覺(jué)（圖像）和連續(xù)視覺(jué)（視頻）感知條件下的自主強(qiáng)化控制決策為目標(biāo),利用深度學(xué)習(xí)通過(guò)環(huán)境數(shù)據(jù)驅(qū)動(dòng)獲取感知特征,利用強(qiáng)化學(xué)習(xí)通過(guò)航行狀態(tài)驅(qū)動(dòng)獲取動(dòng)作決策,進(jìn)而滿足水下航行器自主感知與分析、決策與控制一體化的自主航行需求,主要研究工作如下:論文在論述了水下航行器及其智能感知與決策算法的發(fā)展與研究現(xiàn)狀的基礎(chǔ)上,闡述了深度強(qiáng)化學(xué)習(xí)算法的原理。針對(duì)離散視覺(jué)的水下環(huán)境深度預(yù)測(cè),設(shè)計(jì)了一種具備離散深度特征信息提取功能的全卷積殘差網(wǎng)絡(luò),在編碼器—解碼器的神經(jīng)網(wǎng)絡(luò)架構(gòu)下,結(jié)合殘差學(xué)習(xí)和監(jiān)督學(xué)習(xí),解... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ??

連接和權(quán)??值共享兩大基本特征，下面著重介紹卷積神經(jīng)網(wǎng)絡(luò)的基本組成部分，將分別從卷積層、??池化層、激活函數(shù)和全連接層四個(gè)方面展開(kāi)闡述。??２．２．１卷積層??卷積神經(jīng)網(wǎng)絡(luò)中的每個(gè)卷積層（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ）都由若干卷積單元組成，并且??每個(gè)卷積單元的參數(shù)都通過(guò)反向傳播算法進(jìn)行優(yōu)化的。卷積運(yùn)算的目的是提取神經(jīng)網(wǎng)??絡(luò)輸入的相關(guān)特征，單層卷積只能提取一些低級(jí)特征，例如邊緣、線條和角等層級(jí)等，??多層卷積可以從低級(jí)特征中經(jīng)不斷迭代提取更復(fù)雜的特征。通常的卷積層模型如圖２．３??所示。??輸入??一１—￣＇＜４＾?５??卷積核?Ｖｉ?－Ｕ弋ｈ??ｒ?�。福颍保颍�??輸出??圖２．３卷積層基本模型??Ｆｉｇ．?２．３?Ｂａｓｉｃ?ｍｏｄｅｌ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ??２．２．２池化層??池化層（Ｐｏｏｌｉｎｇ?Ｌａｙｅｒ）通常作為卷積層中的第三層次，前面兩個(gè)層次分別由卷積核??進(jìn)行卷積操作和由激活函數(shù)進(jìn)行非線性操作，而在池化層中則是對(duì)前兩層提取的特征??進(jìn)行再處理。池化層使用某一位置相鄰輸出的總體統(tǒng)計(jì)信息來(lái)表示該區(qū)域的特征，池??化的目的主要是為了減少特征表觀的維度大小，從而降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性�？偨Y(jié)池??化層的具體作用主要為以下幾點(diǎn)：??（１）降低特征尺寸的維度，并減少計(jì)算量；??（２）在一定程度緩解了過(guò)擬合問(wèn)題，更方便優(yōu)化；??（３）使得特征具有位移不變性。無(wú)論采用最大池化操作還是平均池化操作，都和特??征的位置沒(méi)有關(guān)系；??－１０－??

??此能夠適當(dāng)?shù)靥岣呔W(wǎng)絡(luò)的參數(shù)。??２．２．３激活函數(shù)??激活函數(shù)（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）是神經(jīng)元的重要組成部分。神經(jīng)網(wǎng)絡(luò)引入的激活函??數(shù)是為了增加神經(jīng)網(wǎng)絡(luò)模型的非線性，以便它們可以逼近任何非線性函數(shù)，這樣神經(jīng)??網(wǎng)絡(luò)可以應(yīng)用于許多非線性模型。下面介紹幾種常用的激活函數(shù)。??（１）?Ｓｉｇｍｏｉｄ?函數(shù)??Ｓｉｇｍｏｉｄ函數(shù)是一種較早出現(xiàn)的激活函數(shù)，把激活值最終投射到０到１的區(qū)間上。??Ｓｉｇｍｏｉｄ激活函數(shù)通�？梢宰鳛楦怕式忉專ㄟ^(guò)這種方式加入非線性因素。如圖２．４所??示，其數(shù)學(xué)形式定義為：??辦）＋?ｅ（－ｗｉ＋６）＇?（２．２）??也可以寫成：??ｚ?＝?ｗｘ?＋?ｂ，?，ｆ（ｚ）?＝?１?＾?（２．３）??■Ｌ十６??一?Ｉ?丨．丨，??０．４－???ｈ??！?１７??０?＾?丨?Ｉ??－８－６?－４?－２?０２４６８??圖２．４?Ｓｉｇｍｏｉｄ激活函數(shù)??Ｆｉｇ．?２．４?Ｓｉｇｍｏｉｄ?ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??在實(shí)際應(yīng)用中，Ｓｉｇｍｏｉｄ函數(shù)因?yàn)樗男再|(zhì)引起了兩個(gè)顯著的缺點(diǎn)：??①Ｓｉｇｍｏｉｄ激活函數(shù)輸出分布非零點(diǎn)對(duì)稱。對(duì)于神經(jīng)網(wǎng)絡(luò)權(quán)重的梯度更新來(lái)說(shuō)，若??數(shù)據(jù)流經(jīng)過(guò)神經(jīng)元的數(shù)據(jù)為正，那么在反向傳播的權(quán)重梯度也將為正（取決于表達(dá)式的??梯度），這種情況下造成的梯度并非理想，但是將其加入到整批數(shù)據(jù)最終更新的權(quán)重上??時(shí)，相比過(guò)飽和激活函數(shù)來(lái)說(shuō)結(jié)果可以接受；??②Ｓｉｇｍｏｉｄ激活函數(shù)飽和導(dǎo)致的梯度驟減。當(dāng)Ｓｉｇｍｏｉｄ激活函數(shù)飽和時(shí)，函數(shù)值非??０即１。在反向傳播的過(guò)程中，局部梯度會(huì)乘以整個(gè)網(wǎng)絡(luò)最終輸出的梯度。因此，如果??梯度很

【參考文獻(xiàn)】：
期刊論文
[1]國(guó)外大型無(wú)人水下航行器發(fā)展綜述[J]. 鐘宏偉,李國(guó)良,宋林樺,莫春軍.  水下無(wú)人系統(tǒng)學(xué)報(bào). 2018(04)
[2]國(guó)外海洋無(wú)人航行器的發(fā)展現(xiàn)狀及趨勢(shì)[J]. 代威,張?chǎng)?張瀝,解春雷,惠俊鵬.  兵器裝備工程學(xué)報(bào). 2018(07)
[3]基于深度強(qiáng)化學(xué)習(xí)的水下機(jī)器人最優(yōu)軌跡控制[J]. 馬瓊雄,余潤(rùn)笙,石振宇,黃晁星,李騰龍.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[4]國(guó)外水下無(wú)人系統(tǒng)技術(shù)發(fā)展現(xiàn)狀與趨勢(shì)淺析[J]. 李亮,鄒金順.  艦船科學(xué)技術(shù). 2017(23)
[5]無(wú)人水下航行器的發(fā)展現(xiàn)狀與關(guān)鍵技術(shù)[J]. 王童豪,彭星光,潘光,徐德民.  宇航總體技術(shù). 2017(04)
[6]深度強(qiáng)化學(xué)習(xí)綜述[J]. 劉全,翟建偉,章宗長(zhǎng),鐘珊,周倩,章鵬,徐進(jìn).  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[7]潛用UUV回收技術(shù)[J]. 周杰,周文林.  四川兵工學(xué)報(bào). 2011(08)
[8]基于神經(jīng)網(wǎng)絡(luò)的自主水下機(jī)器人動(dòng)態(tài)反饋控制[J]. 周煥銀,劉開(kāi)周,封錫盛.  電機(jī)與控制學(xué)報(bào). 2011(07)
[9]基于L2干擾抑制的水下機(jī)器人人三三維航跡跟蹤控制[J]. 張利軍,賈鶴鳴,邊信黔,嚴(yán)浙平,程相勤.  控制理論與應(yīng)用. 2011(05)
[10]水下機(jī)器人的神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[J]. 俞建成,李強(qiáng),張艾群,王曉輝.  控制理論與應(yīng)用. 2008(01)



本文編號(hào)：3493437