ملخص

الاستخدام المكثف لطائرات بدون طيار، في نفس الوقت لجلب الراحة، ولكن أدت أيضا إلى آثار ضارة. على سبيل المثال، طائرات بدون طيار تحلق في مخاوف تتعلق بالسلامة رفع منطقة حظر الطيران، وذلك بسبب الاستخدام غير السليم للغزو خصوصية المواطنين، وما إلى ذلك، فمن الضروري لبناء نظام الشرطة UAV، لمراقبة تنفيذ UAV، وحلقت كبح هذه الظاهرة. طرق تحديد التقليدية، وعدم المرونة والدقة ليست كافية عالية. تحقيقا لهذه الغاية نقترح خوارزمية التعرف على الطائرات بدون طيار على أساس عمق التعلم، من خلال تدريب التفاف العصبي القائم على الشبكة (CNNs) شبكة التعلم، الحصول على نموذج الاعتراف كفاءة، لتصنيف بين الطائرات بدون طيار وغير UAV، . أظهرت نتائج الاختبار أن هذا النموذج، طريقة لديها معدل الاعتراف عالية.

ضيق تحسين المنزل: يشير إلى الديكور الداخلي، المناظر الطبيعية هو من وجهة نظر بحيث المساحة الداخلية أكثر جمالا.

تعميم وتحسين المساكن وتشمل: التحول من المساحة الداخلية، والديكور، واليوم نحن نتحدث عن تحسين المساكن وعلى نطاق أوسع لتحسين المنزل هو الديكور الداخلي الشامل والديكور.

شكل الاقتباس الصيني: جيانغ Zhaojun تشنغ شياو قانغ، بنغ يقين، وآخرون UAV خوارزمية التعرف على أساس عمق التعلم التكنولوجيا الالكترونية، 2017،43 (7): 84-87.

الإنجليزية شكل الاقتباس: جيانغ Zhaojun تشنغ شياو قانغ، بنغ يقين، وآخرون. والاعتراف UAV رواية خوارزمية تقوم على نهج التعلم العميق .Application من تقنيات الالكترونية، 2017،43 (7): 84-87.

0 مقدمة

تطوير تكنولوجيا الطائرات بدون طيار بسرعة كبيرة. عن استخدام طائرة أمريكية بدون طيار، والمركبات الجوية بدون طيار الآن في مجال البحوث، والجوانب المدنية وغيرها من شعبية، أصبحت الطائرات بدون طيار اتجاه جديد . كان يتبع جلبت أيضا العديد من المشاكل الجديدة ضربت الطائرات بدون طيار وقعت حالة التأمين، وأنه يعطي الناس دقت ناقوس الخطر. ولذلك، أقامت الشرطة نظام UAV أمر حتمي. وركزت هذه الدراسة على ما يلي: إنشاء شبكة الاستشعار البصرية لالتقاط الصور وUAV تخزين المعلومات، وإدخال التعلم العميق من الطائرات بدون طيار لتحديد واكتشاف "الذبابة السوداء طائرات بدون طيار" واتخاذ التدابير المناسبة الشرطة تحقيق الإشراف العام على الطائرات بدون طيار.

شبكة الاستشعار البصرية

كامل البصرية شبكة استشعار (استشعار الشبكات البصرية، VSNs) عدد وافر من العقد، كل عقدة تكوينها من قبل مجموعة كاميرا، والتي سوف تكون بمثابة أساس النظام برمته ، كما هو مبين في الشكل 1.

البيئات الحضرية رسم تخطيطي العقدة التنسيب هو مبين في الشكل 2.

من أجل التخفيف من التدخل لسكان، البعد البؤري من المعلمات الكاميرا يمكن تعديلها للحد من نطاق إطلاق النار على الكاميرا. عرضية من كاميرات متعددة لتغطية بنجاح وسط مساحات مفتوحة في كل الاتجاهات دمجها في الشاشة.

وبالنظر إلى كمية هائلة من البيانات لعدة عقد المقدمة والحاجة إلى تحسين هيكل السيطرة، وهيكل ثلاث طبقات لتصميم شبكة البيانات. الكذب في الجزء السفلي من طبقة الثالثة من العقد التي تشكل سلسلة من كميات متفاوتة من مجموعات، كل عقدة نظام المجموعة في البيانات الموحدة إلى الملقم المعالجة الثانوية. المعالجة الثانوية في جميع أنحاء خادم الشبكة تشكل طبقة الشبكة الثانية، يتم إرسال البيانات إلى الخادم المركزي من الطبقة الأولى على مستوى عال.

2 مراكز التعلم والتعرف على الصور القائمة على عمق

نظام UAV الشرطة هو عنصر رئيسي في مركز التعرف على الصور، الذي تتمثل مهمته في المعلومات صورة تحليل شبكة الاستشعار البصرية وتجهيز، والطائرات بدون طيار التي تم تحديدها من الصورة، مما يتيح مراقبة من الطائرات بدون طيار، تابعة لهدف الاعتراف. حاليا وقد تم هذا المجال الكثير من الإنجازات البارزة تظهر. معظم المشاكل الشائعة الكشف عن المشاة، والميزات المتوفرة تشمل: متعددة، وهذه ميزات هار، HOG، CSS، LBP وغيرها من التعبير مهما من أجزاء مختلفة من الجسم، واعتبر كامل للحالة انسداد. يوفر وانغ شياو قانغ واويانغ مايلز للمشاة وسائل الكشف عن مزيد من التعلم القائم على العمق، من خلال أربع جزء مهم من الكشف عن المشاة دراسة مشتركة - استخراج ميزة، وتجهيز تشوه أعضاء الجسم، ومعالجة انسداد والتصنيف، لتعظيم تأثير فيما يخصه . هم أساس الشبكة العصبية التلافيف التقليدية، إضافة طبقة من معالجة التوتر، والمباراة النهائية علمت خصائص القوة التمييزية للغاية، خصائص متفوقة مثل HOG. برنامج انغ شياو قانغ الفريق هو نجاح تطبيق التعلم العميق في مجال التعرف على الأشياء، لهذه الدراسة توفر مرجعية بحثية. مثال آخر هو التعرف على الوجه ، لديها تغيرات أكثر تعقيدا، لأن الوجه تتأثر بعوامل كثيرة العرق، أو اللون، والتعبير، والمزاج، والبيئة الخفيفة، وجوه انسداد. مدد لكائن معين مختلف من الاعتراف والإقرار مكان الحادث، وهناك العديد من برامج التعلم العميق . وبما أن الطائرات بدون طيار من نظام معلومات الشرطة،-صورة غنية ومتنوعة وUAV حالة الرحلة، وبالتالي يصعب التعرف عليها. في هذه الورقة، هو عرض عمق الخوارزمية التعلم، وغير التلافيف مركز التعرف على الصور الشبكة العصبية.

2.1 الإلتواء الشبكة العصبية

في عام 2006، هينتون، الذين أول من اقترح دراسة مفهوم عمق ، وتحويل دراسة بحثية المد العمق، الذي اعتبر: طبقة خفية الشبكة العصبية الاصطناعية هي أكثر قدرة على محاكاة عملية التفكير في الدماغ البشري، وهو أكثر ممتاز القدرة على التعلم، والبيانات التي يمكن تصوير أكثر أهمية لتحسين القدرة على تصور أو تصنيف.

الإلتواء عمق التعلم الشبكة العصبية هو الأول حقا متعدد الطبقات خوارزمية التعلم هيكل، الذي هو ميزة واضحة في مجال التعرف على الصور. ويستخدم حقول تقبلا، مفاهيم معلمات الاتصال المحلية يقلل كثيرا من كمية، والحد من تعقيد نموذج الشبكة، من أجل تحسين كفاءة التدريب، وشبكة للبالغسل، والتكبير مع وجود درجة عالية من ثبات ومختلف التعديلات.

الشبكة العصبية التلافيف ينتمي إلى طبقة متعددة feedforward الشبكة العصبية، ويتألف من عدد وافر من طائرة ثنائية الأبعاد لكل منهما، وافر من الخلايا العصبية كل طائرة، وهيكل كما هو مبين في الشكل.

شبكة التلافيف العصبية باستخدام التفاف سلسلة من طبقات، طبقة الاختزال شبكة متعددة الطبقات بنيت لمحاكاة التصور طبقة الدماغ البشري البصرية آلية معالجة الإشارات، وذلك لاستخراج ملامح الصورة متعدد المستويات.

عن طريق إضافة طبقة الالتواء، ويمكن تنفيذ شبكة متصلة جزئيا، والحد من فعالية المعلمات شبكة التدريب المطلوب. على سبيل المثال، للحصول على صورة مساهمة كبيرة وحجم ص ج، وأخذ العينات العشوائية من ب من الصورة الصغيرة، وإذا العقدة ك ال خفية، ثم العدد النهائي للميزات تعلمت:

تجميع طبقة من أجل حل شبكة الانتاج البعد كبير جدا، مما تسبب في مشاكل المصنف من الصعب تصميم. ويستند هذا المبدأ نفسه على التشابه الإحصاءات، وتجميع نتائج العمليات للالتفاف من الحسابات الإحصائية، مما يقلل من الحاجة إلى تدريب المعلمات النظام.

تحديث BP الظهر نشر خوارزمية الوزن. ويمكن رؤية الخطأ مرة أخرى، نشر مثل حساسية من كل مجموعة الخلايا العصبية (أي معدل التغير في الخطأ E للجزئية مشتقة مجموعة ب)، وباستخدام العلاقة التالية:

وينطبق التصنيف النهائي التوسع اللوجستية انحدار متعدد المصنف: Softmax الانحدار. ونظام المعادلات التي هي وظيفة من خسائر النظام:

عملية تحديد الهوية 2.2 UAV على أساس عمق التعلم

منذ سلسلة من الصور التي حصلت عليها شبكة الاستشعار البصرية، قد يكون الهدف من الفائدة فقط جزء صغير من منطقة بكسل فيه، ولأن الكائن حراكا، حتى أن تشغيل المركز قبل تحديد الكائن المستخرج من مصلحة طريقة الفرق أخذ الإطار، كمدخل الرسمي لخوارزمية . الفرق الأساسي بين طريقتين من حيث المبدأ على النحو التالي:

حيث ط (ر)، ط (تي 1) هي تي، وقيمة بكسل نقطة بكسل المقابلة في الوقت تي 1، تي هو قيمة العتبة.

التعلم FIG شبكة عصبونية التفافية على أساس عمق عملية تحديد الهوية كما UAV.

الخطوة أ: تجهيزها البيانات

استخراج المنطقة المستهدفة (1) إطار طريقة الفرق.

(2) تحويل تنسيق البيانات.

(3) تسمية محددة مسبقا.

الخطوة الثانية: شبكة التدريب والعمق، واختبار

(1) بناء الشبكة العصبية التلافيف، وتحديد التسلسل الهرمي للمعلمات الشبكة والأوزان.

(2) البيانات بالتتابع في طبقة التلافيف، طبقة المجمعة، وطبقات مرتبطة ارتباطا كاملا، حساب.

(3) باستخدام العكسي ممر العكسي، المعلمة تعديل.

(4) عندما استوفت عدد التكرارات أو يرضى الخطأ، إيقاف التدريب الشبكة، إدخال طبقة دقة دقة الحساب والإخراج (القيام بها إلا في مرحلة الاختبار، وعندما لا يتم تنفيذ التدريب).

3 الأداء الاعتراف ونتيجة التحليل

بناء أول شبكة الاستشعار البصرية، وتقدم عقدتين، تقتصر النظم الحالية للعمل في النهار.

أدخل 2848 صور للتدريب، يتم تعيين تعلم المعدل الأساسي لاختبار نموذج تحليلي لأوقات لاحقة بعد 5000 حصلت 0.001، التكرار. إدخال 712 الصور الاختبار، ونموذج تصنيف بشكل صحيح حالة ما مجموعه 634 حالات، المتاحة:

كما الاعتراف UAV الحالي لا غيرها من نموذج جاهز للمقارنة، فإن هذه الورقة تحليل المعلمات منحنى ROC. في نظرية الكشف عن إشارة، فإن السمة التشغيل المتلقي (مميزة استقبال التشغيل، ROC) هي وظيفة من حساسية الموضح في الصورة، ويسمى صورة منحنى ROC. تمثل المنحنيات ROC أداء المصنف بديهية جدا. وفي الوقت نفسه، من أجل التعبير كميا هذا الأداء والبساطة، ومنطقة تحت منحنى ROC (AUC) وقد اقترحت. قيمة AUC تساوي المساحة تحت منحنى ن ROC، وأكبر قيمة AUC، وأفضل أداء المصنف. 4 يبين الشكل بعض كمية تتعلق منحنى ROC تعادل تليها TP (صحيح إيجابي)، FP (كاذبة إيجابي)، FN (سلبي الكاذبة)، TN (سلبي صحيح).

نموذج تصنيف عشوائي، على أي المدخلات، مثل الوقت الحاضر، نموذج توقعاتها هو نتيجة عشوائية تماما، والنتيجة تقع التنبؤ فرضية الفاصلة ، وأعرب عن احتمال التنبؤ رياضيا على النحو التالي:

وهكذا تظهر نتائج منحنى ROC هو مبين في الشكل (5) من هذا القانون. FIG منحنى العام التقريب إلى النقطة (0،1)، وأفضل أداء للنموذج.

4 خاتمة

وهذه المادة سوف أسلوب التعلم العمق أفضل تطبيق لهذه النظم الشرطة مفهوم UAV جديدة، ومعدل الاعتراف UAV مرتفع نسبيا. في تصميم هيكل الشبكة، قد يكون هناك زائدة، مما يؤدي إلى نموذج التقارب سريع بما فيه الكفاية، وبعض فقدان كفاءة التدريب. سوف تستمر هذه الأخيرة لدراسة بنية الشبكة، أملا في زيادة تحسين نوعية النموذج، ولها القدرة على التكيف على نطاق أوسع.

مراجع

يان تشياو يو. نظام الطائرات بدون طيار للكشف التلقائي تصميم وتنفيذ شيان: شيان جامعة العلوم الالكترونية والتكنولوجيا، 2011.

مزدوج Huzhan. UAV كشف موقف الطيران والتحكم شنيانغ: جامعة شنيانغ الفضاء، عام 2013.

AHMAD N.Modelling والاستفادة المثلى من مراقبة السماء شبكة الاستشعار البصرية جامعة السويد. منتصف 2012.

اويانغ انلى وانغ Xiaogang.Joint التعلم العميق للكشف عن المشاة .ICCV، 2013.

لى مينغ، يو تشنغيانغ، نيان Fuzhong، وآخرون al.A خوارزمية كشف الوجه على أساس التعلم العميق .IJHIT 2015.

ناجبال شروتي، سينغ Maneet، سينغ ريشا، al.Regularized آخرون التعلم العميق للالتعرف على الوجه مع وجود اختلافات الوزن .IEEE الوصول، 2015،3: 3010-3018.

يوان يوان، مو LICHAO، والاعتراف لو Xiaoqiang.Scene بواسطة المتعددة تنظيما العمارة التعلم عميقة المعاملات .IEEE على الشبكات والتعلم، 2015،16 (10): 2222.

HINTON G E، SALAKHUTDINOV R R.Reducing على أبعاد البيانات مع الشبكات العصبية .Science، 2006.313: 504-507.

ساكس A M، KOH P W.On الأوزان العشوائية وغير خاضعة للرقابة تفنيات ميزة مؤتمر .International على الجهاز تفنيات، 2011: 1089-1096.

وانغ شين. الكشف عن نمط غير منتظم تحسن المعمم هوغ تحويل بكين: جامعة العاصمة عادي، عام 2012.

فيديو المراقبة دراسة تتحرك الكشف عن صورة وتتراوح تقنيات لي تانغ لو. شيان: جامعة شيان للعلوم والتكنولوجيا، 2010.

الكاتب المعلومات:

جيانغ Zhaojun 1 و 2 إلى شياو قانغ، بنغ يقين 3، وانغ جون 1، تشى لى 2

(معهد وشى 1 من مدرسة تكنولوجيا السيارات والنقل، ووشى، جيانغسو 214121.

2. كلية الاتصالات وهندسة المعلومات، جامعة نانجينغ للبريد والاتصالات ونانجينغ 210003، الصين؛ 3. كلية علوم وهندسة الحاسب، جامعة سانجيانغ ونانجينغ 210012)