基于DQN的路径规划与导航

车沿直线从起点加速、减速、匀速行驶到终点。

卷积神经网络

• 神经网络算法是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。人工神经元与生物神经元结构类似，其结构对比如下图所示。
       人工神经元
       人工神经元的输入（x1,x2...xm）类似于生物神经元的树突，输入经过不同的权值（wk1, wk2, ....wkn），加上偏置，经过激活函数得到输出，最后将输出传输到下一层神经元进行处理。
        激活函数为整个网络引入了非线性特性，这也是神经网络相比于回归等

• 算法拟合能力更强的原因。常用的激活函数包括sigmoid、tanh

• 等，它们的函数表达式如下：
        这里可以看出，sigmoid函数的值域是（0,1），tanh函数的值域是（-1,1）。
        卷积神经网络**起源于动物的视觉系统，主要包含的技术是：

• 局部感知域（稀疏连接）；

• 参数共享；

• 多卷积核；

• 池化。

• 1. 局部感知域（稀疏连接）

全连接网络的问题在于：

• 需要训练的参数过多，容器导致结果不收敛（梯度消失），且训练难度极大；

• 实际上对于某个局部的神经元来讲，它更加敏感的是小范围内的输入，换句话说，对于较远的输入，其相关性很低，权值也就非常小。人类的视觉系统决定了人在观察外界的时候，总是从局部到全局。
       因此，卷积神经网络与人类的视觉类似，采用局部感知，低层的神经元只负责感知局部的信息，在向后传输的过程中，高层的神经元将局部信息综合起来得到全局信息。
       从上图中可以看出，采用局部连接之后，可以大大的降低训练参数的量级。

 配置IPMA保护曲线、健康管理参数和模型。

记录观察IPMA的工作状态，实施系统级的故障诊断、故障预测、故障隔离，实现完整的健康管理。