当前位置：文档之家 › 点状地图符号的神经网络识别

点状地图符号的神经网络识别

  • 格式：pdf
  • 大小：274.41 KB
  • 文档页数：4

© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net第31卷第1期2006年1月测绘科学

ScienceofSurveyingandMappingVol131No11

Jan

收稿日期:2005Ο03Ο17

基金项目:国家863计划(遥感数据处理软件)(2003AA135010)点状地图符号的神经网络识别

何孝莹①,宋伟东①,韩颜顺①②

(①辽宁工程技术大学,辽宁阜新　123000;②中国测绘科学研究院,北京　100039)

【摘　要】基于神经网络的点状地图符号自动识别研究,设计了点状符号识别流程。采用四层BP网络模型,通过

参数设置及输入输出设计优化网络,通过数据格式分析及内存调整优化程序,在程序实现过程中反复试验,总结

出了参数的变化规律,实现了点状符号的简单、快速识别。

【关键词】点状符号;网络模型;参数调整

【中图分类号】P208 【文献标识码】A 【文章编号】1009Ο2307(2006)01Ο0125Ο03

1　引　言

点状地图符号识别属于模式识别的范畴。通常模式识别根据研究方法的不同,可分为统计法、结构法、模板匹配法、人工智能法、神经网络法,还有专门针对图形图像

处理的线划跟踪法、数学形态学法等[1]。在实际构造识别系统既可单独使用某种方法,也可各种方法综合使用以达到更好的效果。利用神经网络进行点状地图符号识别是对人的视觉识别的一种模拟,但是它不同于以形状分析为主的识别方法,其研究内容侧重于模仿人脑中神经元的信息加工行为及其互联机制,并基本上采用一种非语言、非逻辑的信息处理方式。由于神经网络的强分类和联想功能及非凡的自适应、自组织、自学习、容错能力,对于扫描地图上相互粘连、相互压盖、不完整及变形和噪声等因素影响的符号具有很好的识别效果,而这些符号用常规法等很难达到满意的识

别精度[2]。采用神经网络识别可直接输入符号的点阵,这就避免了符号识别中最困难的特征提取问题,并且点阵能最大程度代表符号,避免了符号由特征代表时的各种损失。同时由于神经网络的并行处理及自适应调整网络权值,它的识别速度快。神经网络的不同算法中,应用和研究最多的是反向传播人工神经网络模型(BP),本文即以此网络模型进行点状地图符号识别的研究。

2　点状地图符号BP网络识别的总体设计

下面是利用BP网络进行点状地图符号识别的设计流程图:

图1　识别流程

3　网络模型分析及网络构建

采用多层BP网络,节点作用函数选择S型函数,其表达式如下:

f(neti)=1

1+e-netiQ0(1) Q0代表神经元的温度,温度越高,sigmoid函数变化越平缓,温度对收敛性和收敛速度的影响非常大,对于不同的输入节点,温度的要求各不同,没有现有的规律可循。因此本文的一个重点就是如何对现有问题找到一个合适的温度参数。

图2　sigmoid函数

网络误差采用均方差:

Ep=12∑n

j=1(tpj-opj)2(2)

式中Ep是第p个样本的误差,tpj是第j个输出神经元的期望值,Opj是第j个输出神经元的实际值,网络的权沿Ep的梯度方向下降,权值改正的微分方程为:Δwji=ηδpjopj(3) 其中,η为学习速率,严格梯度减小搜索需要无穷小的步长,η越大,权wji的变化越大。显然,η越大,学习速度越快,但另一个方面,η过大会引起振荡。δpj为L层神经元j的误差信号,Opi为L-1层神经元的输出。误差信号δpj可表示为:对输出的神经元:δpj=(tpj-opj)opj(1-opj)(4)

对隐含层神经元:δpj=opj(1-opj)∑

kδpkwkj(5)

Opi为L-1层神经元的输出,Opj为L层神经元的输出,δpk代表L+1层神经元k的误差信号。通常在(3)中加入动量项加快网络收敛速率,改善网络性能,防止局部极小。动量项考虑了过去权值变化的影响,通过滤掉高频变量,动量项能使权值空间的误差表面

平滑[3]。当加入动量项a时,权值由下式调整:Δwji(n+1)=ηδpjopi+aΔwjin(6) 通过以上网络设置,在此构建4层(输入、两隐含层、输出)BP网络,输入层根据符号大小定为1600个节点(后面将会解释原因),即对应40×40点阵的点状符号图像,由于输入层很大,隐含层节点数不过多,否则权值量过大,权值调整缓慢,输出层是要重点讲述的。对于输出层,常规方

© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net法是有多少样本,就有多少输出节点。如果样本比较多,输出节点数大,每个样本输出间都有非常大的跳跃,权值在很多输出间来回调整,致使权值改正缓慢。因此在此减少了输出神经元的个数,采用二进制输出,输出8个节点,对于8

个节点能表达28=256个样本,对此次训练已足够了。NumLayers=4;LayerSize[0]=40×40;LayerSize[1]=40×8;LayerSize[2]=40;LayerSize[3]=8;实验证明,对于选择的训练样本,在同样的网络设置下,没调整输出前收敛时间为9′48″,调整后为5′57″,见下表:

表1　输出调整前后

类别样本数温度学习速率内存分配收敛时间

调整前207℃1堆内存方式9′48″

调整后207℃1堆内存方式5′57″

4　样本分析及数据获取

很自然,针对点状地图符号识别来说网络的输入模式有两种选择,一种是特征输入;一种是直接输入符号的图像点阵。基于特征输入的神经网络分类器,抽取特征方法的实质是信息压缩,它具有与传统方法同样的分类效果,但是它的分类能力过分依赖于特征的抽取,对于符号不完整、有噪声、被污染等原因而不易识别的点状地图符号这样复杂的问题,有效的特征抽取是很困难的。在此充分利用神经网络的优势,采用了直接输入象素点阵的神经网络分类器,点阵输入包含了一个点状地图符号的全部特征。虽然点阵输入的数据量大,但它更接近于人的视觉及大脑对符号图像感知的真实情况。要识别的地图点状符号来自大比例尺(1∶500、1∶1000)地形图扫描灰度影像,扫描分辨率为200dpi。训练选取20个标准符号,针对扫描图上符号受噪声污染的情况,每个符号有五种变形,由于大比例尺地形图上点状符号的最大尺寸为

4mm[4],按扫描分辨率换算成像素,最大符号为40×40像素,因此网络的训练样本选40×40像素的标准符号,即输入神经元数为40×40=1600个。首先给出40×40像素的256色符号作为样本,样本也可选二值的,这样训练输入更简单,但识别前必须对扫描地形图二值化,造成信息丢失影响识别效果,所以在此直接将训练样本选为灰度的。如何将40×40像素的灰度图像信息传递给输入神经

元,现有的方法一般都是通过VC中DIB类[5],利用API函数获取图像的文件头信息,包括文件格式、大小、调色板等信息,最后获取图像的灰度信息,然后将灰度信息装入一个大的二维数组,再给数组值赋给输入神经元。此过程繁琐、复杂并要求每一行的存储字节数必须是4的倍数,而且获取的文件头信息对神经元输入没有任何意义,输入节点只需像素值信息即可,并且此类方法只对BMP格式的图像有效,对于其他格式的图像需另行寻找方法,因此在这里采取一种简单有效的方法。首先利用16进制文本编辑器对样本图像进行分析,如图:

图3　图像格式

通过分析得知前1078字节为图像文件头信息,对我们没有用处,可跳过,从1079字节为图像信息,对于灰度图像1像素刚好占用1字节,因此读取的字节数正好是像素数(对行字节数不为4的倍数的图像可按其规律跳读),定义一个BYTE型的指针pPatt指向这块内存,一个样本的像素值就可如此简单地获取了。对于二值图像,读取一个字节后利用位与操作即可获得8个像素信息,其他格式同理。对20个训练样本及每个符号的五种变形定义一个CArray数组存储,这样样本的存取非常方便

,获取的像素值就是神经元的输入源。由于节点采用二值输入,在将pPatt指针中的值赋给输入节点指针pNeuron时进行一次二值化操作,由于此时二值化是对单个符号而不是对整张扫描地图,因此信息损失很小,不影响识别。对于小于阈值的像素i,pNeuron[i]=0,反之取1。如输入神经元为1值的太多而导致网络不收敛或收敛速度很慢,可反向赋值,即原先为1值的赋0,反之亦然。

5　内存管理

对于20个40×40像素的训练样本,网络的输入量已很大,再加上噪声训练,输入量就更大了。对神经元、权值如按常规的静态数组存储,神经元数组、权值数组将会大量占用栈内存,导致计算机运行速度缓慢,很长时间才能收敛。在此,采用堆内存动态分配内存的方法,如下:pNeuron=newdouble3[MAXLAYERS];deletepNeuron;此法大大地减少了内存占用量,极大地提高了收敛速度。实验证明,对于选择的训练样本,在同样的网络参数下,常规方法需50多分钟才能收敛,改进后9分多钟就收敛了,见下表:

表2　内存分配方式调整前后

类别样本数温度学习速率收敛时间

调整前207℃150′42″

调整后207℃19′48″

还有减少内存占用的一点就是采用稀疏矩阵存储,当输入符号点阵中值为0的像素较多时,0值就不用存了,只存值为1的像素的位置即可。

6　训　练

采用BP算法时,网络权值必须首先用一小随机值进行检查初始化。选择小的初始权值很重要,若初始权值太大,

会导致网络不可训练[6]。训练选取20个标准符号及每个符号的五种变形,依照前述的BP网络模型和改进措施,输入为各种标准符号及其变形的扫描像素值,输出为标准符号对应的期望值。通过反复训练不断改正网络误差,其中需要我们做的一个重要的工作就是参数调整(后面详细讲述),直到误差在给定的允许限差范围内,训练结束,记下此时的权值。输出的权值以记事本形式保存,因为训练和识别时的网络构建是一样的,识别时以相同的格式调用。将期望输出的节点值和我们制作好的矢量符号库中符号的位置相对应,如加油站符号的期望输出为00000011,即十进制的3,因此对应符号库中的第三个符号。因此在识别时如果某符号的输出为00000011,那就调用符号库中的加油站符号显示出来。

7　参数调整

对于BP网络模型来说,参数的设置非常重要,甚至制约着模型对实际问题的可行性。本文采用的模型涉及三个参数:Q0、η、a,Q0为温度,在节点的作用函数

f(neti)=1

1+e-netiQ0中;η为学习速率、a为动量项,在权值

改正的微分方程Δwji(n+1)=ηδpjopi+aΔwjin中。从上文的作用函数受温度影响的示意图中可看出在温度较低时,函数变化剧烈,当输入有一点点变化权值就会做很大的改正,这样网络就会来回震荡收敛不到一点。当温度较高时,函数变化缓慢,输入变化时权值又可能不做任何改变。η和a的变化也是如此。对于具体问题,不同

的网络层数、输入对参数没有固有的规律可循[7]。下面通过试验不断调整,最终找到符合本网络结构的参数设置,621测绘科学 第31卷

合集下载

人工智能在生活中的应用案例

人工智能在生活中的应用案例

人工智能在生活中的应用案例

1.谷歌地图和打车应用

地图应用程序如何知道确切的方向、最佳路线，甚至是道路障碍和交通堵塞呢？不久以前，只有GPS(基于卫星的导航系统)被用作出行的导航。但是现在，人工智能被纳入其中，让用户在特定的环境中获得更好的体验。

通过机器学习，app算法会记住建筑的边缘，在工作人员手动识别之后，这些边缘会被输入系统。这允许在地图上添加清晰的建筑视觉效果。另一个特点是识别和理解手写的门牌号的能力，这可以帮助通勤者找到他们想要的房子。没有正式街道标志的地方也可以用它们的轮廓或手写的标签来识别。

该应用程序已被教会理解和识别流量。因此，它推荐了避免路障和拥堵的最佳路线。基于AI的算法还告诉用户到达目的地的确切距离和时间，因为它被教导可以根据交通状况进行计算。用户还可以在到达目的地之前查看其位置的图片。

因此，通过采用类似的AI技术，各种乘车应用也已出现。因此，每当您通过在地图上定位您的位置来从应用程序预订出租车时，它都是这样工作的。

2.人脸检测与识别

当我们拍照时在脸上使用虚拟滤镜和使用人脸识别码解锁手机是人工智能的两个应用，现在已经成为我们日常生活的一部分。前者包含人脸检测，即识别任何人脸。后者使用人脸识别来识别特定的人脸。

这是如何运作的？

智能机器经常匹配，有时甚至超越的能力。人类婴儿开始识别面部特征，如眼睛、鼻子、嘴唇和脸型。但这并不是一张脸的全部。有太多的因素使人的脸与众不同。智能机器被教导识别面部坐标（x、y、w和h，它们在面部周围形成一个正方形作为感兴趣的区域）、地标（眼睛、鼻子等）和对齐（几何结构）。

人脸识别还被政府机构或机场用于监视和安全。例如，伦敦盖特威克机场（Gatwick Airport）在允许乘客登机之前使用面部识别摄像头作为ID检查。

3.文本编辑器或自动更正

当您键入文档时，有一些内置或可下载的自动更正工具，可根据其复杂程度检查拼写错误、语法、可读性和剽窃。

模式识别技术(一)

模式识别技术(一)

模式识别技术

南京理工大学计算机学院

孙权森

2参考书

󰂃模式识别清华大学出版社边肇祺张学工

󰂃模式识别导论高等教育出版社李金宗

󰂃模式识别人民邮电出版社罗耀光盛立东

󰂃Pattern Classification (second edition)

(美）Richard O.Duda,etc

󰂃Statistical Pattern Recognition (second edition)

（英）Andrew R.Webb

引言

4与模式识别相关的学科

󰂃统计学

󰂃概率论

󰂃线性代数（矩阵计算）

󰂃形式语言

󰂃机器学习

󰂃人工智能

󰂃图像处理

󰂃计算机视觉

󰂃…

5教学目标

󰂃掌握模式识别的基本概念和方法

󰂃有效地运用所学知识和方法解决实际问题

󰂃为研究新的模式识别的理论和方法打下基

础

6本门课程的主要内容

󰂃第一章概论

󰂃第二章贝叶斯决策理论

󰂃第三章判别函数及分类器设计

󰂃第四章聚类分析

󰂃第五章特征选择和提取

󰂃第六章Fisher鉴别分析理论

󰂃第七章统计学习理论与支持向量机

󰂃第八章模糊模式识别

󰂃第九章模式识别应用及进展

第一章概论

8§1-1 模式识别的基本概念

一、模式识别的基本定义

¾模式(pattern) ----存在于时间，空间中可观察的事物，具

有时间或空间分布的信息。通常，我们把通过对具体的个

别事物进行观测所得到的具有时间和空间分布的信息称为

模式，而把模式所属的类别或同一类中模式的总称称为模

式类（或简称为类)。比如，文字、图片、景物是模式；

声音、语言是模式；心电图、脑电图、地震波等也都是模

式，进一步，诸如社会经济现象、某个系统的状态等也都

是模式。从这个意义上说，人们在做每个行动时都要先进

行模式识别。

¾模式识别(Pattern Recognition)-----用计算机实现人对各

种事物或现象的分析,描述,判断,识别。具体来说就是利用

计算机对某些物理对象进行分类，在错误概率最小的条件

下,使识别的结果尽量与客观事物相符。

基于RBF神经网络PID的无人动力伞控制

基于RBF神经网络PID的无人动力伞控制

第２２卷第２期　２０１２年２月　计算机技术与发展　ＣＯＭＰＵＴＥＲ　ｒＩＴＥＣＨＮＯＬＯＧＹ　ＡＮＤ　ＤＥＶＥＬＯＰＭＥＮＴ　Ｖｏ１．２２　Ｎｏ．２　Ｆｅｂ．　２０１２　

基于ＲＢＦ神经网络ＰＩ　Ｄ的无人动力伞控制　

张　昊，陈自力，齐晓慧　（军械工程学院光学与电子工程系，河北石家庄０５０００３）　摘要：动力伞是～个复杂的非线性动力学对象，难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性．　的综合系统，采用传统ＰＩＤ控制方法不能得到满意的控制效果，因此提出一种基于ＲＢＦ神经网络的ＰＩＤ控制方法。该方　法利用ＲＢＦ神经网络的自学习、自适应能力自调整系统的控制参数，从而实现对ＰＩＤ控制器各参数的优化整定。在Ｍａｔ—　ｌａｂ软件中的仿真结果表明，该方法可实现对动力伞有效的控制，并且与传统ＰＩＤ相比，具有更短的调节时间，更好的稳定　性、自适应性和鲁棒性。　关键词：ＲＢＦ神经网络；ＰＩＤ控制；无人动力伞　中图分类号：ＴＰ３９　文献标识码：Ａ　文章编号：１６７３—６２９Ｘ（２０１２）０２—０２０６—０４　Ｕｎｍａｎｎｅｄ　Ｐｏｗｅｒｅｄ　Ｐａｒａｃｈｕｔｅ　Ａｉｒｃｒａｆｔ　Ｃｏｎｔｒｏｌ　Ｂａｓｅｄ　ｏｎ　ＲＢＦ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ咖　

ＺＨＡＮＧ　Ｈａｏ，ＣＨＥＮ　ｚｉ—ｌｉ，ＱＩ　Ｘｉａｏ－ｈｕｉ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｏｐｔｉｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｉｃｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｏｒｄｎａｎｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ　０５０００３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｕｎｍａｎｎｅｄ　ｐｏｗｅｒｅｄ　ｐａｒａｃｈｕｔｅ　ａｉｒｃｒａｆｔ　ｉｓ　ａ　ｃｏｍｐｌｉｃａｔｅｄ　ｎｏｎｌｉｎｅａｒ　ｄｙｎａｍｉｃｓ　ｏｂｊｅｃｔ．Ｉｔ　ｉｓ　ｄｉｆｉｃｕｌｔ　ｔｏ　ｄｅｓｃｒｉｂｅ　ｂｙ　ｐｒｅｃｉｓｅ　ｍａｔｈｅ—　ｍａｔｉｃａｌ　ｍｏｄｅ１．Ｆｏｒ　ｔｈｅ　ｉｎｔｅｇｒａｔｅｄ　ｓｙｓｔｅｍ　ｗｉｔｈ　ｎｏｎｌｉｎｅａｒ　ｔｉｍｅ—ｖａｒｙｉｎｇ　ａｎｄ　ｓＵｏｎｇ　ｃｏｕｐｌｉｎｇ　ｃｈａｒａｃｔｅｒｓ，ｓｉｎｃｅ　ｉｔ　ｃａｎｎｏｔ　ａｃｑｕｉｒｅ　ｔｈｅ　ｓａｄｓｆｉｅｄ　ｃｏｎｔｒｏｌ　ｒｅｓｕｌｔ　ｕｓｉｎｇ　ｔｈｅ　ｔｒａｄｉｆｉｏｎ￣ＰＩＤ　ｃｏｎｔｒｏｌ　ｍｅｔｈｏｄ，ａ　ｓｅｌｆ－ｔｕｒｎｉｎｇ　ＰＩＤ　ｃｏｎｔｒｏｌ　ｓｔｒａｔｅｇｙ　ｂａｓｅｄ　ｏｎ　ＲＢＦ　ｎｅｔｗｏｒｋ　ｉｓ　ｐｕｔ　ｆｏｒｗａｒｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｕｓｅｓ　ｔｈｅ　ａｂｉｌｉｔｙ　ｏｆ　ｓｅｌｆ—ｓｔｕｄｙ　ａｎｄ　ｓｅｌｆ—ａｄａｐｔａｂｉｌｉｔｙ　ｏｆ　ＲＢＦ　ｎｅｔｗｏｒｋ　ｔＯ　ｔｕｒｎ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｓｙｓｔｅｍ，ａｃｃｏｒｄｉｎｇｌｙ，ｒｅａｌｉ—　ｚｅｓ　ｔｈｅ　ｓｅｔｔｉｎｇ　ｏｆ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ　ｐａｒａｍｅｔｅｒｓ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｉｎ　Ｍａｔｌａｂ　ｉｎｄｉｃａｔｅｓ　ｔｈａｔ　ｉｔ　Ｃａｎ　ｇｅｔ　ｓａｔｉｓｆｉｅｄ　ｃｏｎｔｒｏｌ　ｒｅｓｕｌｔ，ｓｈｏｒｔｅｒ　ａｄｊｕｓｔｉｎｇ　ｔｉｍｅ，ｂｅｔｔｅｒ　ｓｔａｂｉｌｉｔｙ，ｂｅｔｔｅｒ　ｓｅｌｆ－ａｄａｐｔａｂｉｌｉｔｙ　ａｎｄ　ｒｏｂｕｓｔｎｅｓｓ　ｕｓｉｎｇ　ｔｈｉｓ　ｍｅｔｈｏｄ．　Ｋｅｙ　ｗｏｒｄｓ：ＲＢＦ　ｎｅｔｗｏｒｋ；ＰＩＤｃｏｎｔｒｏｌ；ｕｎｍａｎｎｅｄ　ｐｏｗｅｒｅｄ　ｐａｒａｃｈｕｔｅ　０　引　言　动力伞是一种在滑翔伞的基础上发展起来的有动　力装置的新型软翼飞行器，它的飞行控制系统是一个　复杂的多输入多输出非线性系统，其运动姿态的改变　通过控制其翼面形状实现。它通过电机拉动操纵绳使　动力伞两侧后缘下拉，从而改变动力伞的气动力，实现　爬升、俯冲、左右转弯　。　动力伞与其它飞行器相比，有着价格低廉、载重量　大、场地受限小等优点。但是面临新形势下的作战需　求，在复杂不确定的环境条件下，动力伞一旦缺乏人的　控制和决策干预，往往不能顺利完成任务。因此动力　伞走向无人化具体有以下几个难点　：　（１）目前动力伞控制方式主要包括遥控和程序／　指令控制，操作员需要适时观测信息以监测动力伞并　收稿日期：２０１１～０７－１５；修回日期：２０１１—１０—１８　基金项目：国防武器装备预研基金项目（９１４０Ａ２５０７０５０９ＪＢ３４０５）　作者简介：张￣（１９８８一），男，山西临汾人，硕士研究生，主要从事　无人动力伞控制研究。　控制其飞行。这种控制方式对操纵员的自身素质要求　较高，因此控制不确定性高。更重要的是，需要控制中　心及时发送动作指令使动力伞能够保持实时快速的机　动性，整个过程中通讯链路的可靠和通畅无疑是整个　技术环节的关键，当通信链路出现问题，动力伞将失去　控制。　（２）无人动力伞易受外部环境的影响而失控，如　天气、烟雾、电子干扰等因素。　（３）任务单一，不能根据突发情况，实现其自主决　策、控制、管理及诊断修复。　针对上述状况，无人动力伞必须采取更加稳定和　可靠的控制策略。由于传统ＰＩＤ控制无法进行自学习　和自适应，而ＲＢＦ神经网络具有这种能力，因此文中　利用ＲＢＦ和常规ＰＩＤ相结合的方法对控制器的各参　数进行在线整定，从而构造一个更稳定、适应能力更强　的ＰＩＤ控制器。这种新型的ＰＩＤ控制器在一定程度上　提高了系统的鲁棒性，并可以利用它对无人动力伞实　现高品质控制　。

人工智能导论模拟试题

人工智能导论模拟试题

人工智能导论模拟试题

1、在机器学习中，机器可以自行通过样本总结规律，不需要人工干预，就可以总结规律的方向以及参数的维度。 [判断题] *

对

错(正确答案)

2、知识图谱已经成为推动人工智能发展的唯一核心驱动力。 [判断题] *

对

错(正确答案)

3. 快递无人车配送主要是根据雷达控制、GPS定位、图像识别、路径规划、道路监控来实现快递车的运行及环境感知。 [判断题] *

对(正确答案)

错

4. 无人机航拍主要利用遥感操控平台。 [判断题] *

对(正确答案)

错

5. 惯性导航系统测量运动载体的线加速度和角速率数据，再对这些数据对距离进行微分运算。 [判断题] *

对

错(正确答案)

6. 全局路径规划的主要规划内容是避免碰撞和保持安全距离。 [判断题] *

对 错(正确答案)

7. 2010年美国颁布了以IEEE802.11P作为底层通信协议和以IEEE1609系列规范作为高层通信协议的V2X网联通通信标准。 [判断题] *

对(正确答案)

错

8. 无人车自主避障的第一阶段是规划合理路线。 [判断题] *

对

错(正确答案)

9. 三维自动目标识别（ATR）是指从三维成像的传感器数据中自动检测并识别目标。 [判断题] *

对(正确答案)

错

10. 无人船分为自主无人船、非自主无人船两种。 [判断题] *

对

错(正确答案)

1、现阶段的机器感知是计算机通过（ ）来辨别周围世界。 *

A. 图像(正确答案)

B. 声音(正确答案)

C. 感觉

D. 信息

2、图像识别经历的阶段有（ ） [单选题] *

A. 文字识别 B. 数字图像处理

C. 识别、物体识别

D. 以上都是(正确答案)

3、机器学习包括（ ） *

A. 监督学习(正确答案)

B. 无监督学习(正确答案)

C. 半监督学习(正确答案)

D. 强化学习(正确答案)

4、模式识别的主要目标就是（） [单选题] *

用计算机来模拟人的各种识别能力(正确答案)