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