自动驾驶的多源异构信息RBM网络融合架构及融合方法技术

本发明专利技术公开了一种自动驾驶的多源异构信息RBM网络融合架构及融合方法，所述架构包括：自下而上依次排列的初始输入层、隐层、输出层，在远离所述初始输入层的部分使用深度RBM网络，所述深度RBM网络包括至少一个RBM。所述融合方法包括：步骤1、初始输入层通过预训练从自动驾驶多源异构传感器获取生成模型的初始权值；步骤2、多层隐层自下而上逐层深度权值训练；步骤3、将经过深度训练的权值传递至输出层，所述输出层进行数据融合及积分判决并输出。本发明专利技术采用一种结合不确定性的模糊积分函数，提高了识别的可靠性。模糊积分融合多个分类器，以获得近似最优的融合结果，提高整体分类的可靠性。

【技术实现步骤摘要】
自动驾驶的多源异构信息RBM网络融合架构及融合方法
本专利技术涉及自动驾驶
，尤其涉及一种自动驾驶的多源异构信息RBM网络融合架构及融合方法。
技术介绍
自动驾驶车辆是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能车辆。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。当前的自动驾驶领域对目标特征的提取、分类、回归等方法可以作为单一传感器识别认知，或是浅层结构，其局限性是在有限传感器单元情况下对目标特征识别能力有限，针对复杂目标识别及分类问题其泛化能力受到一定制约。因此，现有技术存在缺陷，需要改进。
技术实现思路
本专利技术的目的是克服现有技术的不足，提供一种自动驾驶的多源异构信息RBM网络融合架构及融合方法。本专利技术的技术方案如下：一种自动驾驶的多源异构信息RBM网络融合架构，包括：自下而上依次排列的初始输入层、隐层、输出层，所述初始输入层可接收自动驾驶多源异构传感器获取的外界信息，所述隐层被训练去捕捉在所述初始输入层中数据表现出来的高阶数据的相关性，所述输出层将数据特征进行融合判决并输出。在远离所述初始输入层使用深度RBM网络，所述深度RBM网络由至少一个RBM组成，所述RBM的结构中被“限制”为一个输入层和一个隐层，所述隐层被激活后将转化为相邻所述RBM的输入层，所述输出层为所述深度RBM网络中最顶层的一个所述RBM。进一步地，所述RBM网络中层与层之间有连接，各层中节点之间没有连接。进一步地，所述隐层通过概率转移可以双向刻画数据特征。进一步地，所述RBM的连接是通过自顶向下的生成权值来指导确定的。进一步地，所述自动驾驶多源异构传感器包括：视觉传感器、微波雷达传感器、激光雷达传感器、红外传感器、声波传感器、混合定位导航。本专利技术还提供了一种自动驾驶的多源异构信息RBM网络融合方法，包括以下步骤：步骤1、初始输入层通过预训练从自动驾驶多源异构传感器获取生成模型的初始权值。步骤2、多层隐层自下而上逐层深度权值训练。步骤3、将经过深度训练的权值传递至输出层，所述输出层进行数据模糊融合及积分判决并输出。进一步地，所述步骤1中初始输入层通过通过非监督贪婪逐层方法去预训练获得生成模型的权值。进一步地，所述步骤1中的自动驾驶多源异构传感器包括：视觉传感器、微波雷达传感器、激光雷达传感器、红外传感器、声波传感器、混合定位导航。进一步地，所述步骤2包括以下步骤：步骤21、所述初始输入层将初始权值传递给第一隐层，将所述第一隐层激活，所述第一隐层将获取的初始权值重建形成新的权值。步骤22、激活的所述第一隐层将作为输入层将重建后新的权值映射给第二隐层，将所述第二隐层激活，被激活的所述第二隐层将获取的权值再次重建，进一步映射给下一隐层。步骤23、重复所述步骤22的动作，直至将形成的高维权值映射给第N隐层，所述第N隐层将获取到的新的权值重建。进一步地，所述步骤3的数据融合及积分判决过程包括以下步骤：步骤31、所述输出层的底层在接收到所述第N隐层传递的权值，利用若干不同分类融合器对接收到的权值进行初步融合，提取特征。步骤32、经过初步融合提取的特征将传递至所述输出层的顶层，所述顶层将相临近的特征进行模糊融合。步骤33、所述输出层的顶层最终形成决策，并输出。采用上述方案，本专利技术提出基于RBM的稀疏编码，通过自下而上对高维特征向量进行降维；同时基于模糊函数的深度学习决策以解决单纯分类器无法适应大范围数据特征跳变的问题；通过分类器的特征分类结果，训练选择有效的模糊密度，确定合适的模糊积分函数，根据所选择的模糊积分函数，合理选择多个分类器最大化统一，降低了组合分类器带来的自适应分类算法的不均匀；特征输出和训练选择有效的模糊密度可以并行处理，根据模糊积分函数参数调整，合并数据特征，输出融合情报信息。附图说明图1为限制玻尔兹曼机(RBM)的结构图；图2为本专利技术自动驾驶的多源异构信息RBM网络融合架构的原理图；图3为本专利技术基于自动驾驶的多源异构信息RBM网络融合机构的模糊融合及判决过程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。请参阅图1至图3，本专利技术提供一种自动驾驶的多源异构信息RBM网络融合架构，包括：自下而上依次排列的初始输入层、隐层、输出层。所述初始输入层可接收自动驾驶多源异构传感器获取的外界多源异构信息，所述隐层被训练去捕捉在所述初始输入层中数据表现出来的高阶数据的相关性(即提取数据特征)，所以所述隐层通常也被称为“数据特征提取器”。所述输出层将数据特征进行融合及积分判决，并输出。所述自动驾驶多源异构传感器包括：视觉传感器、微波雷达传感器、激光雷达传感器、红外传感器、声波传感器、混合定位导航，通过多源异构传感器获取外界信息，并将信息输入到所述初始输入层进行重建。所述RBM网络融合架构中层与层之间有连接，各层中节点之间没有连接。所述隐层通过概率转移可以双向刻画数据特征。通过自下而上的稀疏编码理论对高维特征向量进行降维，使得较少超完备基向量就可以精确的代表原来的高维特征。具体地，本实施例中在远离所述初始输入层使用限制玻尔兹曼机(RBM)网络。限制玻尔兹曼机(RBM)的具体结构如图1所示，假设有一个二部图，每一层的节点之间没有连接，一层是可视层，即输入层，一层是隐藏的，即隐层，如果假设所有的节点都是随机二值变量节点(只能取0或者1值)，同时假设全概率分布满足玻尔兹曼分布，这时就称这个模型是限制玻尔兹曼机(RBM)。在图1所示的限制玻尔兹曼机(RBM)的基础上增加所述隐层的层数，这时便得到深度RBM网络。这里所述隐层的层数可以为N层(N大于等于1)，具体包括：第一隐层、第二隐层等等、直至第N隐层。所述深度RBM由多个所述RBM组成，所述RBM的结构中被“限制”为一个输入层和一个隐层，如上述的所述隐层中的某一层隐层被激活后将转化为相邻所述RBM的输入层，具体地，所述第一隐层被激活后，将变成所述第二隐层的输入层。所述输出层为所述深度RBM网络中最顶层的所述RBM。所述深度RBM网络的连接是通过自顶向下的生成权值来指导确定的，所述深度RBM网络相比传统和深度分层的网络，它能易于连接权值的学习。请参阅图2与图3，本专利技术还提供了一种自动驾驶的多源异构信息RBM网络融合方法，包括以下步骤：步骤1、初始输入层通过预训练从自动驾驶多源异构传感器获取生成模型的初始权值。RBM深度学习网络通过一个非监督贪婪逐层方法去预训练获得生成模型的权值，可以获得多源异构传感器数据的初步特征，这些特征包括：视觉传感器、微波雷达传感器、激光雷达传感器、红外传感器、声波传感器、混合定位导航、非可见光传感器等，在这个训练阶段，在海量数据层会产生一个向量，通过它将值传递到隐层。反过来，这些参数特征会尝试去重构原始的输入数据。步骤2、多层所述隐层自下而上逐层深度权值训练。这里具体包括以下步骤：步骤21、所述初始输入层将初始权值传递给第一隐层，将所述第一隐层激活，所述第一隐层将获取的初始权值重建形成新的权值。步骤2本文档来自技高网...

【技术保护点】
1.一种自动驾驶的多源异构信息RBM网络融合架构，其特征在于，包括：自下而上依次排列的初始输入层、隐层、输出层，所述隐层的层数至少一层，所述初始输入层可接收自动驾驶多源异构传感器获取的外界信息，所述隐层被训练去捕捉在所述初始输入层中数据表现出来的高阶数据的相关性，所述输出层将数据特征进行融合判决并输出；在远离所述初始输入层使用深度RBM网络，所述深度RBM网络由至少一个RBM组成，所述RBM的结构中被“限制”为一个输入层和一个隐层，所述隐层被激活后将转化为相邻所述RBM的输入层，所述输出层为所述深度RBM网络中最顶层的一个所述RBM。

【技术特征摘要】
1.一种自动驾驶的多源异构信息RBM网络融合架构，其特征在于，包括：自下而上依次排列的初始输入层、隐层、输出层，所述隐层的层数至少一层，所述初始输入层可接收自动驾驶多源异构传感器获取的外界信息，所述隐层被训练去捕捉在所述初始输入层中数据表现出来的高阶数据的相关性，所述输出层将数据特征进行融合判决并输出；在远离所述初始输入层使用深度RBM网络，所述深度RBM网络由至少一个RBM组成，所述RBM的结构中被“限制”为一个输入层和一个隐层，所述隐层被激活后将转化为相邻所述RBM的输入层，所述输出层为所述深度RBM网络中最顶层的一个所述RBM。2.根据权利要求1所述的自动驾驶的多源异构信息RBM网络融合架构，其特征在于，所述深度RBM网络中层与层之间有连接，各层中节点之间没有连接。3.根据权利要求1所述的自动驾驶的多源异构信息RBM网络融合架构，其特征在于，所述隐层通过概率转移可以双向刻画数据特征。4.根据权利要求1所述的自动驾驶的多源异构信息RBM网络融合架构，其特征在于，所述深度RBM网络的连接是通过自顶向下的生成权值来指导确定的。5.根据权利要求1所述的自动驾驶的多源异构信息RBM网络融合架构，其特征在于，所述自动驾驶多源异构传感器包括：视觉传感器、微波雷达传感器、激光雷达传感器、红外传感器、声波传感器、混合定位导航。6.一种自动驾驶的多源异构信息RBM网络融合方法，其特征在于，包括以下步骤：步骤1、初始输入层通过预训练从自动驾驶多源异构传感器获取生成模型的初始权值；步骤2、多层隐层自下而上逐层深...

【专利技术属性】
技术研发人员：王玲，刘洋，柯达远，王锋，张仁辉，廖茜茜，关庆阳，柯瑞林，
申请(专利权)人：王玲，
类型：发明
国别省市：广东,44