【RRT三维路径规划】快速搜索随机树RRT多无人机UAV三维路径规划【含Matlab源码 3315期】

左上角到右下角的路径 oj_【机器人路径规划】快速扩展随机树(RRT)算法 内容无关:最近的课题内容和机器人运动规划方法有关,我把学习的内容整理成为工具箱上传到了我的github仓库,稍后将会发一篇说明介绍使用方法。XM522706601/robotics_tutorial_for_zhihu​github.com上一篇文章 小明工坊:【基础知识】机器人运动规划原理与实现(一)——概率路线图(PRM)方法 我们讲到了机器人运动规划中一个比较重要的方法——概率路线图(PRM... 阅读详情

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
在这里插入图片描述
🔊博主简介:985研究生,Matlab领域科研开发者;

🚅座右铭:行百里者,半于九十。

🏆代码获取方式:
优快云 Matlab武动乾坤—代码获取方式

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划(进阶版)

⛳️关注优快云 Matlab武动乾坤,更多资源等你来!!

⛄一、快速扩展随机树无人机三维路径规划简介

1 无人机航迹规划问题的数学模型
建立三维航迹规划问题的数学模型时, 不但考虑无人机基本约束, 还考虑复杂的飞行环境, 包括山体地形和雷暴威胁区。

1.1 无人机基本约束
规划的无人机三维航迹, 通常需要满足一些基本约束, 包括最大转弯角、最大爬升角或下滑角、最小航迹段长度、最低和最高飞行高度, 以及最大航迹长度等约束。其中, 最大转弯角约束, 是指无人机只能在水平面内小于或等于指定的最大转弯角内转弯;最大爬升角或下滑角约束, 是指无人机只能在垂直平面内小于或等于指定的最大爬升角或下滑角内爬升或下滑;最小航迹段长度约束, 要求无人机改变飞行姿态之前, 按目前的航迹方向飞行的最短航程;最低和最高飞行高度约束, 要求无人机在指定的飞行高度区间飞行;最大航迹长度约束, 是指无人机的航迹长度小于或等于指定的阈值。

记q (x, y, z, θ, ψ) 为无人机的飞行位置与姿态, 其中, (x, y, z) 为无人机的位置, θ为无人机的水平转弯角, ψ为无人机的竖直爬升角或下滑角, 进而建立上述基本约束的数学表达式。
在这里插入图片描述
1.2 飞行环境障碍物和威胁区建模
在飞行环境中, 高耸的山体近似采用圆锥体等效表示, 用以e为底的自然指数图形生成, 那么, 山体地形可以通过多个位置不同的圆锥体叠加而成。若将参考海拔基准高度设置为xOy平面, 记 (x, y, z) 为山体地形中的点, 那么
在这里插入图片描述
式中:N为山体个数;xk0和yk0为第k座山体中心对称轴的横坐标和纵坐标;hk为第k座山体的最大高度;xki和yki为第k座山体的横向斜度和纵向斜度。

在飞行环境中, 山体附近通常存在雷暴等极端气象, 本文视为飞行威胁区, 并通过球体近似等效表示, 且记第k座山体附近飞行威胁区的球心坐标为 (xks0, yks0, zks0) , 半径为rk。

1.3 目标函数及航迹表示
在本文中, 执行任务的某型无人机, 其航迹规划的目标函数是生成一条由起始点到目标点的无碰撞可行航迹。采用q (x, y, z, θ, ψ) 表示无人机在飞行空域中某特定位置的特定姿态, 那么 (x, y, z) 则表示无人机所在航迹点, θ表示无人机的水平转弯角, ψ表示无人机的竖直爬升角或下滑角。采用r (q) 表示由起始点qinitial到目标点qgoal的无碰撞可行航迹, 那么航迹规划的过程可以写成如下形式:
在这里插入图片描述
1.4 数学模型表述
基于1.1~1.3节, 得到无人机航迹规划问题的数学模型。

目标函数:
在这里插入图片描述
经典RRT-Connect算法仅依赖本身隐含的连接启发式贪婪搜索函数, 已能获得可行航迹, 虽然不是最优航迹, 且可行航迹点搜索时间成本较高, 但在不引入外部数学模型就能求解得出无人机的可行航迹, 这是该算法的一个显著特点;当引入数学模型求解无人机航迹规划问题后, 随机树对于航迹点的搜索将由之前的全空间贪婪搜索转为在满足数学模型约束函数的区域内贪婪搜索, 极大地减小了搜索空间范围, 同时节约了可行航迹点搜索时间, 并在一定程度上缩短了生成的可行航迹总长度。

2 RRT算法
RRT算法是一种基于树形结构的路径规划算法,它的全称是Rapidly-exploring Random Tree。该算法通过随机采样和树的生长来搜索可行路径,具有较高的搜索效率和可扩展性。RRT算法的基本思想是从起点开始,不断生成随机点并向目标点生长树,直到找到一条可行路径。在生长树的过程中,需要考虑障碍物的影响,以保证生成的路径是可行的。RRT算法的优点是可以处理高维空间和非线性约束,适用于各种类型的机器人和自由度。

2.1 RRT算法的步骤
RRT算法的步骤如下:
(1)初始化树,将起始点作为树的唯一节点。
(2)生成一个随机点,如果该点在障碍物内,则重新生成随机点。
(3)在树中找到距离随机点最近的节点。
从最近的节点向随机点生成一条路径,并检查路径是否与障碍物相交。
(4)如果路径不相交,则将路径的终点作为新的节点加入树中。
(5)重复步骤2-5,直到生成终点或达到最大迭代次数。
(6)如果生成了终点,则从终点开始沿着树的父节点一直回溯到起点,得到一条路径。

2.2 RRT算法无人机三维路径规划
RRT算法是一种常用的路径规划算法,它可以用于无人机三维路径规划。RRT算法的基本思想是通过随机采样和树的生长来搜索可行路径。具体来说,RRT算法通过在空间中随机采样一个点,然后在树中找到最近的节点,将这两个点之间的路径加入树中,不断重复这个过程,直到找到目标点或者达到最大迭代次数。在无人机三维路径规划中,RRT算法可以通过将空间划分为多个层次,每个层次对应一个高度范围,来实现无人机的三维路径规划。同时,RRT算法还可以通过引入启发式信息,如地形高度、风速等,来提高路径规划的效率和质量。

⛄二、部分源代码

clc;clear;close all;
dim = 3;
random_world = 0;

% create random world
world_size = 100;
NumObstacles = 100;
if random_world ==1
world = createWorld(NumObstacles,ones(1,dim)*world_size,zeros(1,dim));
else
[world,NumObstacles] = createKnownWorld(ones(1,dim)*world_size,[0;0;0],world_size);
end

UAV_num=10; % number of UAVs
start=zeros(UAV_num,3);goal=zeros(UAV_num,3);
path=cell(1,UAV_num);tree=cell(1,UAV_num);
inflec=cell(1,UAV_num);traj=cell(1,UAV_num);

% generate start & goal point
for i=1:UAV_num
start(i,1)=irand;goal(i,1)=irand+(world_size-UAV_num);
start(i,2)=irand;goal(i,2)=irand+(world_size-UAV_num);
start(i,3)=irand;goal(i,3)=irand+(world_size-UAV_num);
end
% generate RRT path
for i=1:UAV_num
[path{i},tree{i}]=getPath(start(i,:), goal(i,:), world);
[inflec{i},~,traj{i}]=getTrajectory(path{i});
% % draw RRT result
% figure
% plotExpandedTree(world,tree{i},3);
% plotWorld(world,path{i},1);
end

figure
for i=1:UAV_num
plotWorld(world,path{i},2);
hold on
end

UAVsize=1;colLimit=3*UAVsize;
[newTrajectory, coltime]=multiDetCon(traj,inflec,colLimit);
getGIFTra(newTrajectory);
% twoTrajDis(newTrajectory{1},newTrajectory{2},colLimit);

% multiTrajInflec(traj);
% multiTrajInflec(inflec);
%
% UAVsize=1;colLimit=3*UAVsize;
% [colnum,coltime]=timeCol(traj{1},traj{2},colLimit);
% [~,newTraj]=slowTrajectory(inflec{2},coltime);
% showOldNew(traj{2},newTraj,2);
%
% twoTrajDis(traj{1},newTraj);
% [newcolnum, newcoltime]=timeCol(traj{1},newTraj,colLimit);

function [path,tree]=getPath(start_cord, goal_cord, world)
% standard length of path segments
dim=3;segmentLength = 5;
start_node = [start_cord,0,0,0];
end_node = [goal_cord,0,0,0];

% establish tree starting with the start node
tree = start_node;

% check to see if start_node connects directly to end_node
if ((norm(start_node(1:dim)-end_node(1:dim))<segmentLength)&&(collision(start_node,end_node,world,dim)==0))
path = [start_node; end_node];
else
nIterations = 0;
numPaths = 0;
flag = 0;
while numPaths<1
[tree,flag] = extendTree(tree,end_node,segmentLength,world,dim);
numPaths = numPaths + flag;
nIterations = nIterations+1;
end
end

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]田疆,李二超.用于无人机三维航迹规划改进连接型快速扩展随机树算法[J].航空工程进展. 2018,9(04)

3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

RRT(快速随机搜索树)算法原理及代码实践 路径规划算法系列之RRT算法 阅读详情

相关推荐

快速扩展随机数算法

RRT 算法是一种基于随机采样的路径规划算法。它通过在空间中随机选择节点,逐步构建一棵树来找到从起始点到目标点的路径。RRT 的优点在于能够快速探索空间,适用于复杂的障碍环境。基本思想从起始点开始,逐步扩展树。在随机生成的目标点附近寻找最近节点,并连接新节点。重复直到找到目标节点或达到一定的迭代次数。

闲人编程的博客 1855

规划算法专栏之随机快速搜索树(RRT)

机器人的规划问题的本质,是在已知或者部分已知环境的情况下,规划一条从起点到终点的无碰撞的路径。规划算法种类有很多,比如基于图的搜索算法、人工势场法、基于采样的规划方法等。今天主要介绍的就是一种典型的基于采样的规划方法:随机快速搜索树(RRT)。 RRT是一种在完全已知的环境中通过采样扩展搜索的算法,相比较于基于图的搜索算法,最主要的优点就是快,因此在多自由度机器人的规划问题中发挥着较大的作用,比如机械臂的规划算法基本都是以RRT为基础的。但同时他也有比较明显的缺点,比如通常不最优、规划的路径非常不平滑等。但

weixin_43890711的博客 3135

【RRT三维路径规划】基于matlab快速搜索随机树RRT多无人机UAV三维路径规划【含Matlab源码 3315期】

快速搜索随机树RRT多无人机UAV三维路径规划 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 804

【机器人学:运动规划】快速搜索随机树(RRT---Rapidly-exploring Random Trees)入门及在Matlab中演示

快速搜索随机树(RRT -Rapidly-ExploringRandom Trees)

gpeng832的博客 1万+

补洞与fairing算法

对网格进行补洞,remesh, 平滑,fairing, 最小二乘优化平滑

闪电彬彬的博客 1048

PCB设计必看:铜皮厚度与载流能力对照表(附Excel计算工具)

本文深入解析了PCB设计中铜皮厚度与载流能力的核心关系,提供了基于IPC-2152标准的动态计算逻辑与实用Excel工具。文章不仅分享了载流对照表,更重点剖析了影响载流能力的关键因素(如铜厚、线宽、温升、布线层),并给出了高电流设计的实战技巧与测试验证方法,帮助工程师规避常见陷阱,实现从理论到实践的闭环设计。

weixin_29228781的博客 729

聊聊路径规划算法—快速搜寻随机树算法

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达作者丨Li-Jianghao来源丨古月居快速搜寻随机树(RRT)算法是一个增量式采样的搜寻技术,这个算法在实际使用中并不要求将任何参数整定,因此具有极好的使用性能。它可以通过增量式方法构造搜寻树,并逐渐增加分辨时间,而不需设定任何高解析度参数。在极端环境情况下,该搜寻树将稠密的充满全部空间,此时搜寻树由许多较小曲线或...

3D视觉工坊 2168

一文详解数据仓库、数据湖、湖仓一体和数据网格

本文对数据仓库、数据湖、湖仓一体、数据网格四个技术概念进行了辨析,并对它们的优势和局限给出了对比介绍。

oOBubbleX的博客 2597

RRT快速搜索随机树算法

RRT(Rapidly-exploring Random Trees,快速探索随机树)算法是一种用于解决路径规划问题的有效算法,特别适用于高维空间和复杂约束的环境中。它由Steven M. LaValle在1998年提出,现在广泛应用于机器人运动规划和其他领域。

远方雪的专栏 1336

雪球股票数据接口

周期(day-日,week-周,…表示获取前8个周期(日)数据):类型(before-历史)表示深圳证券交易所,表示上海证券交易所):开始时间戳(一定要。

qq_31856061的博客 6818

嵌入式工程师成长之路(1)——元件基础(试读版)

上拉电阻阻值选错导致MCU反复重启?0欧电阻竟然能“背锅”信号干扰?高精密采样电阻的温漂毁了整个控制系统?——这些问题,都是基础不牢!优快云硬件领域头部博主十年经验汇总,涵盖电阻分类、封装、实战选型、避坑指南,附带职业进阶路径,助你从小白进阶为“电路医生”!

云轩阁 34万+

UAV三维路径规划 基于快速搜索随机树RRT实现多无人机UAV球体障碍三维路径规划附Matlab实现

无人机技术在近年来得到了迅猛发展,已经被广泛应用于农业、航空、物流等领域。而无人机的路径规划是其中一个重要的研究领域,特别是针对多无人机的三维路径规划。本文将介绍基于快速搜索随机树RRT实现多无人机UAV球体障碍三维路径规划算法流程。首先,我们需要了解什么是快速搜索随机树RRT。RRT是一种用于路径规划的算法,它通过不断扩展树结构来搜索环境中的可行路径。而快速搜索随机树RRT是对传统RRT算法的改进,它通过引入随机采样和快速搜索技术,使得路径搜索更加高效。

matlab_dingdang的博客 230

408 | 408常用计算公式与方法 —— 计组篇 汇总

408常用计算公式与方法 —— 计算机组成原理篇 汇总

"You are worthy! You can do it!" 4662

快速搜索树(Trie)的介绍

快速搜索树是一种多叉树,通常被用于存储和检索字符串。每个节点包含一个字符和一个指向孩子节点的指针数组或哈希表。根节点表示空字符串,每个字符在树中对应一个节点。从根节点到叶子节点的路径便表示一个完整的字符串。叶子节点通常用于标记一个单词的结束。快速搜索树是一种高效的存储和检索字符串的数据结构,具有快速的字符串查找、插入和删除操作。它在字符串检索、单词自动补全、网络路由和数据压缩等领域有着广泛的应用。了解快速搜索树的特点和实现算法,对于优化字符串处理和处理大量文本数据具有重要意义。

m0_72410588的博客 517

论文阅读:NeurIPS 2024 JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Model

论文指出评估越狱攻击存在挑战,如缺乏评估标准、成本和成功率计算方法不一致、许多研究无法复现。为解决这些问题,作者提出了JailbreakBench,这是一个开源基准测试,包含以下组件:持续更新的越狱提示库(jailbreak artifacts)。包含100种行为的越狱数据集,符合OpenAI的使用政策。标准化的评估框架,包括威胁模型、系统提示、聊天模板和评分函数。跟踪各种LLMs攻击和防御性能的排行榜。

CSPhD-winston的博客 1434

数仓建模—数据语义层

如今,企业产生大量数据,需要以正确的方式进行分析才能做出重要决策。数据可能来自多个来源并采用不同的格式,这使得清楚地了解其含义和重要性成为一项挑战。这就是语义层的用武之地。语义层存在于数据仓库和最终用户使用的应用程序之间。它为用户提供了简化且一致的数据视图,无论其基础数据源的复杂性如何。该逻辑层有助于映射物理数据结构以创建概念数据模型。它定义了数据元素之间的所有规则和关系,并以业务术语提供了数据的通用词汇表。然后,用户可以轻松地与数据进行交互,而无需了解其数据源的技术知识。

7万+

【无人机三维路径规划】基于快速搜索随机树RRT实现多无人机UAV球体障碍三维路径规划附Matlab代码...

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。????个人主页:Matlab科研工作室????个人信条:格物致知。???? 内容介绍无人机技术在近年来得到了迅猛发展,已经被广泛应用于农业、航空、物流等领域。而无人机的路径规划是其中一个重要的研究领域,特别是针对多无人机的三维路径规划...

m0_57702748的博客 216

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【UAV】基于李亚普诺夫的跟踪和动态编队控制实现水下勘探的先进AUV控制方法附matlab代码

随着海洋科学研究和资源开发的不断深入,水下自主航行器(AUV)作为一种重要的海洋装备,在海洋勘探、水下作业和科学研究等领域发挥着越来越重要的作用。AUV 的控制技术是实现其自主航行和完成任务的关键,而基于李亚普诺夫的跟踪和动态编队控制方法是 AUV 控制领域的研究热点之一。基于李亚普诺夫的跟踪和动态编队控制方法是 AUV 控制领域的研究热点之一,具有鲁棒性强、易于实现等优点,在水下勘探中具有广泛的应用前景。

m0_60703264的博客 1128

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【协同任务】蚁群算法多组群UAV协同任务路径规划【含Matlab源码 1578期】

蚁群算法多组群UAV协同任务路径规划 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版)或下载付费资源,可赠送奶茶价版付费专栏指定代码1份; 711

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【路径规划】快速探索随机树算法(Matlab实现)

传统的最近邻搜索算法,如线性扫描或KD树,可能在大规模数据集上效率低下。构建阶段:随机选择数据集的一个子集,并在该子集上构建一棵随机树。搜索阶段:对于给定的查询点,通过在随机树上进行递归搜索,找到最接近的叶子节点,并检查该叶子节点中的候选点以确定最终的近似最近邻。快速探索随机树算法通过构建多棵随机树来加速最近邻搜索过程,具有较好的效率和可扩展性,适用于处理大规模数据集的近似最近邻搜索问题。文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。行百里者,半于九十。

你的Matlab小助手 549

【笔记:3D航路规划算法】一、RRT

3D路径规划是在三维空间中寻找从起点到终点的最短或最优路径的一种技术。它广泛应用于无人机导航、机器人运动规划、虚拟现实等领域。

懒惰是科技进步的原始动力 3441
上一篇: 【RRT三维路径规划】快速搜索随机树RRT无人机UAV三维路径规划【含Matlab源码 3316期】
下一篇: 【TWVRP】头脑风暴优化算法DBO求解带时间窗和同时取送货的车辆路径问题【含Matlab源码 3012期】
Matlab武动乾坤
博客等级 码龄3年 3万+粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值