14、机器学习中的人工神经网络：机器人应用案例解析

机器学习中的人工神经网络：机器人应用案例解析

1. 霍普菲尔德网络的数据存储与识别能力

霍普菲尔德网络在数据存储和识别方面表现出色。通过测试发现，一个归一化向量与数字 8 的输入数据向量完全匹配，这再次证明了霍普菲尔德网络确实能够存储数据，并且可以帮助识别未知或扭曲的输入数据集，前提是这些数据是网络的一部分。相关研究表明，这类网络在从扭曲或复杂的输入向量中识别正确字符时，成功率通常超过 90%。不过，实际成功率取决于输入数据的数量和质量，以及网络中创建的节点数量。在简单且有限的演示中，成功率能超过 70%就已经相当不错了。

2. 基于人工神经网络的自主机器人汽车演示

2.1 演示背景

使用之前介绍过的机器人汽车 Alfie 进行新的演示。在之前的项目中，Alfie 被编程为尽可能避免所有墙壁和门，并在行驶过程中尽可能节省能源。而本次项目有很大不同，机器人汽车会主动接近障碍物并尝试绕过它们，同时不再考虑能源节约方案。为了更好地检测和避免障碍物，Alfie 还配备了另一个超声波传感器。此外，还实现了一个霍普菲尔德网络，帮助机器人记住过去的行动，从而在其穿越环境的过程中选择更好的行动和行为。

2.2 输入数据向量

该网络使用一个五元素的输入数据向量，具体元素如下：
- 左传感器
- 右传感器
- 双传感器
- 左电机
- 右电机

这些元素足以进行初始演示，并且可以根据需要轻松增加更多元素。这五个元素意味着应该使用一个 5×5 的霍普菲尔德网络来支持机器人汽车控制系统。与之前的示例一样，使用标称值 1 和 -1 来表示各元素的状态。具体定义如下：