無線地磅控制器隱藏層計算單位
本文通過成功應用DBNN方法和遺傳算法設計了機器人目標識別地磅控制器方法與抓取系統。 DBNN方法用于對象識別，GA用于優化DBNN參數。DBNN是由隨機潛在變量組成的生成圖形模型，在輸入和輸出層之間具有多個隱藏的單位層。 DBNN由一堆受限的Boltzmann機器（RBM）組成。 RBM由數字地磅遙控器可見層和隱藏層組成，或者由隱藏層和另一個隱藏層組成。
一層的神經元完全連接到另一層的神經元，但是同一層的無線地磅控制器神經元內部沒有相互連接。當固定可見層的單元時，RBM達到熱平衡。 DBNN方法的一般結構如圖1所示。DBNN具有兩個基本屬性：1）DBNN是自頂向下的逐層學習過程。它在前兩個隱藏層中具有生成權重，可以找到一層中的變量如何與另一層變量通信，而在后一個隱藏層中則可以使用判別權重來對對象進行分類。 2）在逐層學習之后，隱藏單元的值可以通過自下而上的遍歷獲得。它從底層的可見數據向量開始。其中v是一組具有v∈{0,1} nv的可見單位，h是一組具有h∈{0,1} nh的隱藏單位。 nv是可見層中的單位總數，nh是隱藏層中的單位總數。 a是可見單位的偏差項，b是隱藏單位的偏差項。 w表示電子地磅遙控器可見單位和隱藏單位之間的權重。
在提出的實驗中，我們將DBNN方法用于目標識別。所提出的已實現的DBNN方法的結構如圖2所示。DBNN方法由一個可見層，三個隱藏層和一個輸出層組成。可見層由輸入圖像的784個神經元組成。 GA [18]在每層中找到優的隱藏單元數。在我們的實現中，，第二和第三隱藏層中的隱藏單元數分別為535、229和355。輸出層由六種不同類型的對象類組成。在采樣方法中，我們應用兩種不同類型的采樣：對比散度（CD）和持續對比散度（PCD）。在個地磅遙控器隱藏層中，我們將應用PCD采樣方法，因為PCD會探索整個輸入域。在第二和第三隱藏層中，我們使用CD采樣方法，因為CD在輸入示例附近進行了探索。通過結合兩種采樣方法，提出的DBNN方法可以收集佳特征以識別對象。
