Line-Crawling Robot Navigation: A Rough Neurocomputing Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This chapter considers a rough neurocomputing approach to the design of the classify layer of a Brooks architecture for a robot control system. This paradigm for neurocomputing that has its roots in rough set theory, works well in cases where there is uncertainty about the values of measurements used to make decisions. In the case of the line-crawling robot (LCR) described in this chapter, rough neurocomputing works very well in classifying noisy signals from sensors. The LCR is a robot designed to crawl along high-voltage transmission lines where noisy sensor signals are common because of the electromagnetic field surrounding conductors. In rough neurocomputing, training a network of neurons is defined by algorithms for adjusting parameters in the approximation space of each neuron. Learning in a rough neural network is defined relative to local parameter adjustments. Input to a sensor signal classifier is in the form of clusters extracted from convex hulls that “enclose” similar sensor signal values. This chapter gives a fairly complete description of a LCR that has been developed over the past three years as part of a Manitoba Hydro research project. This robot is useful in solving maintenance problems in power systems. A description of the locomotion features of a line-crawling robot and the basic architecture of a rough neurocomputing system for robot navigation are given. A brief description of the fundamental features of rough set theory used in the design of a rough neural network is included in this chapter. A sample sensor signal classification experiment using a recent implementation of rough neural networks is also given.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle