UNIVERSITA' DEGLI STUDI DI PAVIA - Robotica

More documents

Recommendations

Info

training sample è composto dai valori di ingresso e i corrispondenti valori di uscita da utilizzare per addestrare la rete. • TSET struttura che contiene i dati relativi ad un training set. Tali dati sono i seguenti: - int n_ts numero di training sample contenuti nell’insieme; - int tset_initialized flag che indica se il training set è stato inizializzato con una procedura standard della libreria; - TTrainingSample s[MAX_N_TS] vettore contenente i training training samples; - float min_in_range float max_in_range float min_out_range float max_out_range valori di scala degli input e output values: vengono usati per mappare nel range [0, 1] gli ingressi e le uscite alla rete neurale in fase di training; sono inoltre indispensabili per l’utilizzo della rete, in quanto mappano i valori di I/O non normalizzati in ingresso e riscalano i valori di uscita nel range corretto, congruente con il mapping usato in fase di addestramento; • NET struttura che incapsula i dati di una generica rete neurale backpropagation a 3 strati di neuroni. Tutti i vettori sono sovradimensionati: in effetti spesso non vengono completamente riempiti di valori significativi, tranne nel caso in cui si utilizzino il massimo numero di neuroni per ciascun layer. I dati interni alla struttura sono dunque i seguenti: 184
- net_initialized flag che indica se la rete è stata inizializzata da una delle funzioni di libreria. I pesi possono essere generati a caso per un successivi apprendimento oppure possono essere caricati da file per utilizzare una rete precedentemente addestrata; - N_L1 N_L2 N_L3 numero di neuroni effettivamente allocati per ciascun layer (L1, L2 e L3 sono, rispettivamente, il layer di input, l’hidden layer e il layer di output); - MINW MAXW valore di soglia per i valori di uscita dai singoli neuroni. Sostanzialmente si tratta di riscalare la sigmoide in un intervallo diverso da [0, 1] (per esempio [0.1, 0.9]), cosa che può risultare particolarmente utile in diversi campi applicativi; - epoch numero di epoche d’addestramento attualmente trascorse. E’ una variabile che, in fase di training, è utile a riprendere l’addestramento dall’epoca raggiunta; - eps precisione che si intende raggiungere con l’apprendimento. Una volta raggiunto questo valore limite, la funzione che implementa il training restituisce il controllo al programma principale; - epoch_per_iter numero di epoche che si desidera iterare per l’apprendimento della rete. La funzione di training ritorna al programma chiamante ogni epoch_per_iter. Il programma principale può eventualmente avviare un altro ciclo di apprendimento; 185
Page 1 and 2:
UNIVERSITA’ DEGLI STUDI DI PAVIA
Page 3 and 4:
2.6 Elaborazione dell'immagine ....
Page 5 and 6:
5.2 Sequenza esecutiva ............
Page 7 and 8:
A.3 Avvio del sistema .............
Page 9 and 10:
1.1 Obiettivo della tesi Capitolo 1
Page 11 and 12:
• Appendice B: elenco completo de
Page 13 and 14:
Capitolo 2 Descrizione del sistema
Page 15 and 16:
2.2 Soluzioni progettuali Le scelte
Page 17 and 18:
Esistono numerosi sistemi per il tr
Page 19 and 20:
traiettoria di un oggetto. Infine,
Page 21 and 22:
possibile trascurare completamente
Page 23 and 24:
dall’uscita, attraverso un confro
Page 25 and 26:
ingresso e una sola di uscita, in q
Page 27 and 28:
2.5.4 Il modello del target Al fine
Page 29 and 30:
dove sono stati introdotti i termin
Page 31 and 32:
K è dunque un vettore avente un nu
Page 33 and 34:
Figura 2.3. Soglia sul puntatore la
Page 35 and 36:
Il tempo di volo del proiettile è
Page 37 and 38:
t t t t t 4 3 2 1 x 1 x 2 x 3 x 4 F
Page 39 and 40:
2.8 La rete neurale DEA utilizza te
Page 41 and 42:
Servo Motors Laser Hardware trigger
Page 43 and 44:
3.2.2 Il frame-grabber Il frame-gra
Page 45 and 46:
Figura 3.1. Servocomandi utilizzati
Page 47 and 48:
spazzare l'intero campo di moviment
Page 49 and 50:
ovviamente, a parità di frequenza,
Page 51 and 52:
possibile conoscere istante per ist
Page 53 and 54:
3.4.1 Il diodo laser Blocchetti di
Page 55 and 56:
La caratteristica più importante d
Page 57 and 58:
- 8 linee di I/O digitali (DIO) pro
Page 59 and 60:
- in input per contare gli eventi c
Page 61 and 62:
C_GATE G_SOURCE COUNTER VALUE HW SA
Page 63 and 64:
Il funzionamento dei contatori come
Page 65 and 66:
Il circuito realizzato è schematiz
Page 67 and 68:
3.7.1 Alimentazione e massa L’ali
Page 69 and 70:
di puntamento, e che determinano de
Page 71 and 72:
La vite della canna ha soltanto la
Page 73 and 74:
tempi morti hanno allungato notevol
Page 75 and 76:
Comando valvola Ingresso pin reset
Page 77 and 78:
Altro aspetto che ha risentito dell
Page 79 and 80:
memoria locale. Le unità sono coll
Page 81 and 82:
L’aspetto più importante da tene
Page 83 and 84:
l’assenza di strati nascosti, e l
Page 85 and 86:
Figura 4.3. Funzione di trasferimen
Page 87 and 88:
} - si modificano i pesi dei colleg
Page 89 and 90:
quindi mentre 2 ∂f ( ) err ∂
Page 91 and 92:
∂hk ∂ ⎛ 1 ⎞ = ⎜ = hk ⋅(
Page 93 and 94:
Hidden Layer Net 1 Output Layer Net
Page 95 and 96:
Figura 4.7. Schermata del programma
Page 97 and 98:
dipende fortemente dal tipo di funz
Page 99 and 100:
5.1 Idea di base Capitolo 5 Archite
Page 101 and 102:
- la libreria che implementa il pre
Page 103 and 104:
campo di visuale della telecamera a
Page 105 and 106:
♦ SAD.X contiene tutti i parametr
Page 107 and 108:
Figura 5.2. Area di scansione. 5.3.
Page 109 and 110:
5.3.5 Caratteristiche del puntatore
Page 111 and 112:
weight_out_fname è il nome del fil
Page 113 and 114:
min_ok_hooks è il numero di test c
Page 115 and 116:
output_threshold e hidden_threshold
Page 117 and 118:
7) impostare la posizione di riposo
Page 119 and 120:
chiaro!) fino al punto in cui non c
Page 121 and 122:
Il cuore del modulo è costituito d
Page 123 and 124:
4) si scandisce l’immagine e si m
Page 125 and 126:
Tutto questo viene effettuato da un
Page 127 and 128:
GUNNER attende l’istante di apert
Page 129 and 130:
1) accelerazione angolare dell’og
Page 131 and 132:
6) viene letto il valore del conteg
Page 133 and 134:
LD.X MD.X OD.X ISL.X WH.X WV.X NEUR
Page 135 and 136:
• neural.h contiene tutte le cost
Page 137 and 138:
vantaggioso durante la fase di svil
Page 139 and 140:
spostamento “nella stessa direzio
Page 141 and 142: Con l'uso della sola primitiva wait
Page 143 and 144: tipo, che contengono i dati di part
Page 145 and 146: del motore grafico è fornita la fu
Page 147 and 148: 5.6.7 pci6025e Il modulo pci6025e.h
Page 149 and 150: • Dopo aver attivato l'handler e
Page 151 and 152: un programma di elaborazione matric
Page 153 and 154: La funzione init_kalman_subsystem()
Page 155 and 156: N = 4 t - 5 t - 4 t - 3 t - 2 t - 1
Page 157 and 158: 3) la funzione predict(), ssendo un
Page 159 and 160: Capitolo 6 151 Risultati 6.1 Veloci
Page 161 and 162: Figura 6.1. Risultato della regress
Page 163 and 164: Dalle cifre riportate in tabella si
Page 165 and 166: 6.3.2 Test B Il secondo test della
Page 167 and 168: dell’esperimento: qualsiasi valor
Page 169 and 170: 6.3.7 Test E1 Numero di sparo Dista
Page 171 and 172: I risultati riportati in tabella 12
Page 173 and 174: Per quanto riguarda la rete neurale
Page 175 and 176: necessitano di interagire con perif
Page 177 and 178: A.4 Creazione dei task La creazione
Page 179 and 180: verso i file per inizializzare il s
Page 181 and 182: impostato al momento della compilaz
Page 183 and 184: • grx_circle(x, y, rad, col) dise
Page 185 and 186: void save_ld(void) rispettivamente
Page 187 and 188: B.2 general ritornano i medesimi va
Page 189 and 190: DWORD get_vmotor_trig(void) ritorna
Page 191: B.5 neural permette di sbloccare il
Page 195 and 196: learning rate utilizzato attualment
Page 197 and 198: - minw e maxw indicano i limiti del
Page 199 and 200: estituisce la modalità grafica cor
Page 201 and 202: pone gli n bit della parola w, a pa
Page 203 and 204: - gating_mode imposta una delle pos
Page 205 and 206: DWORD initvalue, WORD source, WORD
Page 207 and 208: quanto sono task aperiodici) pari a
Page 209 and 210: di int che contiene l’ordine di c
Page 211 and 212: iportate in dettaglio al paragrafo
Page 213 and 214: % ni = nargin; no = nargout; if ni
Page 215 and 216: A' + B * Q * B') % Calcola il guada
Page 217 and 218: - viene visualizzato un grafico che
Page 219 and 220: Figura C.3. Comportamento del filtr
Page 221 and 222: % Usato per eliminare il doppione a
Page 223 and 224: [8] Seth Hutchinson, Greg Hager, Pe
show all

UNIVERSITA' DEGLI STUDI DI PAVIA - Robotica

Create successful ePaper yourself

Delete template?

Save as template?