一种跨越不同空间的距离的定义方法技术

本发明专利技术涉及信息处理领域中的一种跨越不同空间的距离的定义方法，其特征在于：欧几里的空间与概率空间之间的实际距离的误差值为概率空间的概率密度值，统一欧几里德空间与概率空间的距离为欧几里的空间与概率空间之间的实际距离减去概率空间的概率密度值。本方法的实施效果是：直接对具有概率分布的数据进行分类，可以直接解决概率分布性质的应用问题，具有降低系统复杂度，提高模式识别的精度等特点。

【技术实现步骤摘要】
一种跨越不同空间的距离的定义方法
本专利技术属于人工智能领域中的一种跨越不同空间的距离的定义方法。
技术介绍
自动驾驶是人工智能的主战场，但是遗憾的是针对自动驾驶应用的专用的机器学习的研究成果甚少，至今仍没有引起广泛的注意。日本著名的丰田公司发表了“驾驶指向推定装置”的专利(专利文献1)，该专利提出根据汽车自动驾驶过程中，针对突发的情况，即使驾驶员没有反映的情况下，通过人工智能的逆传递神经网络的机器学习算法，自动的选择驾驶状态，以避免行车事故的发生等。2016年10月9日日本NHK由解说委员室山哲也所讲解的“如何跨越自动驾驶的壁垒”(非专利文献1)。在这个专题上，室山哲也提出了在自动驾驶系统中目前还解决不了的几个问题：人机判断冲突疑难：今年2月在谷歌进行自动驾驶的实验，当谷歌车右拐时，前面有一沙堆的障碍物，谷歌车急向右车道闪去，正好这时右车道后面来了一辆大巴，大巴的驾驶员认为谷歌车会迅速刹车，没想到会往右车道躲闪，因此出现了撞车的严重事故，类似这样的事故Uber也不断出现。车距选择的人机感觉融合的疑难：按某公司的调查，路上遇车时，有41％的驾驶员是认为离这车越远越好，但是也有人认为跟着固定距离比较好，或认为接近一点好，还有人抱有好奇心要追上前面的车。这是作为自动驾驶汽车如何解决人机感觉融合问题，以及如何选择最接近于人的驾驶问题，这成为了复杂的自动控制疑难。人机权限转让问题：在人机操作的转换阶段，人机之间的意识是不能传递的。例如在紧急情况下，需由自动驾驶马上切换到人工驾驶的瞬间，自动驾驶当时所选的应急方案与人工驾驶不同，容易造成事故，或贻误时机。Trolley问题：在遇到紧急时刻，如何使牺牲者的数量降至最少？这是有名的Trolley问题，既涉及复杂的伦理疑难，也是技术难点。在机器学习的自动驾驶理论中，目前尚没有人提出过有价值的解决方案。由日立大岛弘安发表的“用模糊预测控制实现列车自动驾驶”的论文(非专利文献2)，该论文提出通过模糊推论的规则库可以实现列车的自动驾驶。由筑波大学安信诚二发表的“采用预测模糊控制的列车自动驾驶系统”(非专利文献3)，提出传统的PID调节虽然可以准确的控制列车自动驾驶的走行，但圆滑的行走是自动驾驶的关键，也是乘者感到舒适的关键。以及自动驾驶的核心问题是一个需要考虑安全性，走行速度，车站间的走行时间，舒适感，消耗电力，以及停止精度的多目的控制问题。【专利文献】【专利文献1】(特开2008-225923)【非专利文献1】http：//www.nhk.or.jp/kaisetsu-blog/100/255089.html【非专利文献2】https：//www.jstage.jst.go.jp/article/ieejeiss1987/109/5/109_5_337/_pdf【非专利文献3】http：//ttt.akiba.coocan.jp/yasunobu/edu/intconthtms/text/Sic07a_trainATO.pdf#search＝％27予見ファヅィ一制御列車自動運転システム％27上述(专利文献1)，采用人工智能的神经网络算法，但是，神经网络算法中主要是通过“训练”将目标函数的信息承载在海量的加权值的参数上，加权值W，与阀值T在学习的过程中，要想得到最佳的解，需要将所有的状态都要进行测试，所要组合的总次数是{(W×T)n}×P，这里n为一层的神经网络的节点数，P为神经网络的层数，如此高指数的计算复杂度使计算量庞大，所需要的硬件开销巨大，深度学习的学习效果的损失函数所采用的概率梯度下降法简称SGD，所得到的训练值是一个局部最佳解，因此不可避免的会出现“黑箱”问题，再有神经网络的模型中的阀值属于人为定义，同人的大脑的神经网络的机理毫无关系，脑神经的刺激信号的原理丝毫不能在传统的神经网络模型中体现，人的头脑根据神经元的神经信号所产生的兴奋程度不同进行不同的判断的机理在目前的神经网络的模型中也不能体现等等，目前的神经网络模型只能是学术上的，代表一种方向性的理论，同达到实际应用的水平差距甚大。如今进入深度学习的阶段，同传统的神经网络相比只增加了隐藏层的数量，这更加使计算的复杂度加大，传统神经网络的致命的黑箱问题得不到解决，自动驾驶中就存在着安全隐患，应用的前景很难期待。上述(非专利文献1)所提出的“人机判断冲突疑难”，“车距选择的人机感觉融合的疑难”，“人机权限转让问题”以及“Trolley问题”应该成为人工智能自动驾驶中必须要解决的问题，应成为人工智能的核心问题，然而目前却没有引起广泛的重视。上述(非专利文献2)主要解决的是列车的自动驾驶问题，所提出的利用模糊推论的规则库实现列车的自动驾驶，庞大的知识库的建立需要大数据的学习，只能解决两三个以内的目标函数，在汽车自动驾驶中的应用比较困难。上述(非专利文献3)虽然提出了多目的的模糊控制，也是因为所采用的模糊控制在对应较多的目标函数的控制上比较勉强，因此仍然停留在针对每一个具体的目标函数的单独控制。特别是在自动驾驶中的人机感觉的融合及安全性，节能，舒适等目标函数，多目标的同时控制，由于不同的目标函数不在同一空间，无法找到一个共同的最佳化的控制点，即使映射到同一空间，不同的目标函数用传统的方法不可能得到一个共同的最佳交点，为此，必须寻找多目的最佳控制之间的冗余，真正实现在最佳的范围内实现多目的的最佳的控制，因此，需要解决多目的控制的机器学习模型的建立。
技术实现思路
本专利技术的第一个目的是：提出一种适于自动驾驶的汽车环境图像识别算法，将非结构化的3维图像进行结构化的特征抽出，从而达到对汽车环境图像的理解的识别效果。本专利技术的第二个目的是：提出一个复合模型的更加强大的无监督机器学习模型，提高机器学习的算力，从而实现无训练也可实现机器学习的图像逼近。本专利技术的第三个目的是：让自动驾驶可以向优良驾驶员学习人的高超的驾驶技巧，提高自动驾驶的控制水平，可降低自动驾驶控制的复杂度，解决传统的自动驾驶控制上出现的NP问题。本专利技术的第四个目的是：提出一种适于自动驾驶的多目的最佳控制机器学习模型以及系统装置，可将安全驾驶，快速到达，舒适乘车，节约能耗等多目的的目标函数进行最佳的机器学习模型的控制。本专利技术的第五个目的是：提出一种导入SDL模型的图像抽出的方法，可开创一种新的机器学习图像处理的途径，以提高图像处理以及图像识别的精度。本专利技术的第六个目的是：提出一种可跨越欧几里的空间与概率空间的距离的计算方法，该距离公式满足非负性，非退化性，对称性以及三角不等式的距离尺度的条件。本专利技术的第七个目的是：提出一种可跨越欧几里的空间与概率空间的模糊事件概率测度的计算方法，可解决概率分布交织的数据之间的分类问题，可以让微观的不确定的信息，不安定的信息通过宏观的积分产生确定的以及稳定的有价值的信息，可实现意想不到的应用效果。为实现上述至少一种目的，本专利技术提出如下技术方案：一种本文档来自技高网...

【技术保护点】
1.一种跨越不同空间的距离的定义方法，其特征在于：/n(1)欧几里的空间与概率空间之间的实际距离的误差值为概率空间的概率密度值；既/n

【技术特征摘要】
1.一种跨越不同空间的距离的定义方法，其特征在于：
(1)欧几里的空间与概率空间之间的实际距离的误差值为概率空间的概率密度值；既






这里，Δj(wj)为具有概率分布的特征值wj∈W(j＝1，2，…，n)，在概率空间wj中所呈现的距离误差，mj(wj)为在概率空间wj概率的离散分布个数，Dij(wj)为在概率空间wj概率离散分布的长度，Pij(wj)为在概率空间概率离散分布的概率值。
另外，Δj(vj)为具有概率分布的特征值vj∈V(j＝1，2，…，n)，在概率空间vj中所呈现的距离误差，mj(vj)为在概率空间vj概率的离散分布个数，Dij(vj)为在概率空间vj概率离散分布的长度，Pij(vj)为在概率空间vj概率离散分布的概率值。
(2)统一欧几...

【专利技术属性】
技术研发人员：顾泽苍，
申请(专利权)人：顾泽苍，
类型：发明
国别省市：天津;12