接上篇
5.4.2 粒子群优化算法(PSO)
练习BP神经网络常常选用差错反向传达算法，这种算 法简略堕入部分极值点，而且跟着层数增多，内层权重梯 度过低，学习速度慢。而PSO算法是一种依据集体的优化方 法，算法中种群称作粒子群，个别称为粒子。它的根本概念 源于对海鸥等海鸟捕食办法的模仿。一群海鸟随机地查找食 物，它们不知道食物在哪里，但知道当时离食物最近的位 置，然后挑选查找现在离食物最近的鸟的周围区域，以赶快 地找到食物。这种算法有练习速度快，不易堕入部分极值点 的长处。
1.问题的描绘
采 用 P S O 训 练 神 经 网 络 时 ， 首 先 应 将 特 定 结 构 中 所 有 神 经 元 间 的连 接 权 值 编 码 成 实 数 码 串 表 示 的 个 体 。 假 设 网 络 中 包 含 M 个 优 化 权 值 ( 包 括 阈 值 在 内 ) ， 则 每 个 个 体 将 由 M 个 权 值 参 数 组 成 的 一 个
M 维 向 量 来 表 示 。 例 如 ： 给 定 如 下 结 构 的 神 经 网 络 ， 其 中 包 括 一 个 阈 值 ， 一 维 输 入 ， 两 个 隐 层 单 元 ， 一 维 输 出 ， 从 图 中 可 知 其 中 包含 6 个 连 接 权 ， 分 别 是
， 令
则 微 粒 群 中 的 个 体 可 用 一 个 6 维 向 量 来 表 示 ， 即
此刻， 个别结构中的每一个 元素，即代表神经网络中的一个权值。
2.初始化微粒群
图19 CCD摄像头
图20 舵机什物
依据微粒群规划，依照上述个别结构随机发生必定数意图个别(微粒)组成种群，其间不同的个别代表神经网络的 一组不同权值。一起初始化集体最优方位gbest，个别最优位 置lbest。
3.神经网络的练习及微粒
将微粒群中每一个别的重量映射为网络中的权值，然后构成一个神经网络。对每一个别对应的神经网络，输入训 练样本进行练习。网络权值的优化进程是一个重复迭代的过 程。为了确保所练习的神经网络具有较强的泛化才能，在网 络的练习进程中，往往将给定的样本空间分为两部分，一部 分用作练习样本，称为练习集，一部分作为测验样本，称为 测验集。而在权值优化进程中，每进行一次练习，都要对给 定的样本集进行分类，以确保每次练习时选用的练习集均不 相同。核算每一个网络在练习集上发生的均方差错，并以此 作为方针函数，并结构如下的习气度函数，用来核算个别的习气度。
其间，tk,p指练习样本P在K输出端的给定输出，则习气度函数界说如下：
4.PSO模型核算
点评微粒群中的一切个别( 每一个别视为可飞翔的微 粒)，从中找到最佳个别用来判别是否需求更新微粒的Gbest 与Lbest。之后，依照PSO模型更新每一个别不同重量上的飞 行速度，并以此发生新的个别微粒。
5.算法停止条件
当方针函数值(即均方差错)小于给定的 时，算法停止。 用PSO练习神经网络算法的详细流程如下图21。
5.5 Linux体系下经过地址映射拜访物理内存
规划依据ARM的linux运用程序操控FPGA端PIO操控器 pio_led，pio_led连接到HPS/ARM lightweight axi bridge然后获 得在HPS/ARM总线上的物理地址空间。linux运用程序经过 linux内核内存映射设备驱动拜访PIO操控器pio_led的寄存器 物理地址然后操控pio_led履行相应的动作。
Linux体系下经过地址映射拜访物理内存的原理如下
图22 算法停止条件
/dev/mem: 物理内存的全镜像。能够用来拜访物理内存。
调试嵌入式Linux内核时，或许需求检查某个内核变量 的值。/dev/kmem供给了拜访内核虚拟内存的途径。现在 的内核大都默许禁用了/dev/kmem，翻开的办法是在 make menuconfig中选中 device drivers –> Character devices –>/dev/
kmem virtual device support.用 cat /proc/kallsyms | grep *** 找到要检查的变量的地 址， 这个地址作为本程序的输入参数。/dev/mem 用来拜访物理IO设备， 比方X用来拜访显 卡的物理内存， 或拜访嵌入式板中的G P I O 。 用法一般是 open，mmap，然后运用map之后的地址拜访物理内存。这 是完结用户空间驱动的一种办法。
比方，规范VGA 16色形式的实形式地址是A000:0000， 而线性地址则是A0000。设定显 存巨细为0x10000，则能够 如下操作mem_fd = open( "/dev/mem", O_RDWR );
vga_mem = mmap( 0, 0x10000, PROT_READ | PROT_ WRITE, MAP_SHARED,
mem_fd, 0xA0000 ); close( mem_fd );
然后便能够对vga_mem进行拜访。当然，假如是操作 VGA显卡，还要取得I/O 端口的拜访权限，以便进行直接的 I/O操作，用来设置形式/调色板/挑选位面等等。在工控领 域中还有一种常用的办法，用来在内核和运用程序之间高效 传递数据。
6 规划特色
6.1 机械手臂规划
使用舵机的旋转带动拉伸杆的拉伸，然后到达像人的 手臂相同灵敏弹性旋转，抓取魔方，滚动魔方。
6.2 魔方机器人结构
奇妙地使用舵机与塑料条的合作树立机器人的机械手 臂，使用方形架构固定四个机械手臂，使机械手臂能灵敏快 速地滚动以及弹性。
6.3 依据BP神经网络的色彩辨认算法
对色彩进行分类的办法有多种，其间 RGB色彩空间是 最根本、最常用的色彩空间，可是，从色彩感知特性来说， R G B 颜 色 空 间 是 非 均 匀 的 ， 各 颜 色 分 量 之 间 的 相 关 性 较 强， 因而一般用于把方针分为两类的辨认模型中。HSI 色彩 空间是另一种比较常用的色彩空间，它依据人的心思感知特 性而树立，归于极坐标空间结构，其长处是能直观地描绘颜 色，可是，因为 HSI 色彩空间内存在奇特色，一起，当光线 明暗改变，灯火中的某重量值稍高时，对色彩分类会呈现许 多过错。因而也不适合用来完结对色彩的分类和量化。关于 这种杂乱多变环境下的色彩的分类，咱们终究选用人工神经 网络(ANN)来进行。
6.4. 独立开发的复原魔方算法
算法的中心是依据迭代加深启示式查找算法(IDA*)的 一种二阶段的查找算法，进程规矩很简略，没有很杂乱的状 态判别，仅仅重复循环：对每个阶段的魔方不断重复测验不 同的旋转，然后判别是否到达方针状况，假如没有，则依据 一个评价函数，挑选评价最低的操作持续测验。第一个阶 段有18种或许的操作，最多12步，第二阶段有10种或许的操作，最多有18步。可见，假如仅做简略处理，循环的次数会
非常巨大，难以查找出正确成果。所以，对每个操作进行高 效的价值核算，然后进行剪枝是非常必要的。评价函数是一 张事前生成好的内存查找表。选用该内存查找表进行启示搜 索，有些状况下，得出复原办法速度会非常快，在百毫秒之 内，当然，也存在必定的概率，需求花较长时刻得出复原方 法，(算法运转到现在，未呈现超越3秒的状况)在一台intel i5@2.50Ghz的个人电脑，得出办法均匀仅需一秒钟的时刻。
6.5 选用SoC规划
使用FPGA端丰厚的外设做数据收集，将收集到的图画 数据进行处理，在ARM端做算法，对恣意一个打乱的魔方 进行复原的求解过程，充分发挥DE1-SoC的SoC特色。
7 总结
经过三个月的奋战，咱们的著作根本到达预期方针， CCD摄像头辨认、VGA显现以及机械部分的树立等都已实 现，仅有缺乏的是在VGA显现部分画面不行艳丽，写好的
3D魔方程序因为移植呈现问题，没有呈现在显现屏上。在 团队的分工上，硬件软件分工清晰，很大地提高了著作完结 功率。
在这次竞赛中，咱们学会了Altera公司许多开发东西， 例如Quartus ，Qsys以及ARM公司的DS-5等，为咱们的硬件 开发和测验供给了很大的便当。
从入门FPGA开发板，到现在根本完结预期著作，经过 这次竞赛和这三个月的尽力，咱们团队的每个人都学到了很 多，咱们都总结了许多处理问题的办法，并养成了杰出的文 档习气。在竞赛进程中，咱们选用多种途径处理技能难题， 例如网络、DE1-SoC的配套书本、官方论坛以及开发板的用 户手册和自带例程,攻破规划难点。咱们针对各个模块拟定 了多套方案，合理剖析了规划的可行性，确保在完结根本功 能的基础上再进行优化。在每一次试验中，咱们将自己的收 获写进文档，然后与队友进行沟通，共享心得，共同进步。 当然，咱们有必要感谢湖北大学—Altera公司EDA/SOPC联合 试验室供给的丰厚的硬件、软件资源，一起还要感谢感谢 Altera和TERAS%&&&&&%公司为本课题供给的规划东西，包含大学 方案所供给的学习资源、FPGA、软件、开发板、文档支撑 和参阅规划。
