張 帆，王國慶

（1．安徽新華學(xué)院，安徽 合肥 230088；2．安徽省電子學(xué)會，安徽 合肥 230001）

當(dāng)今，無線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks，簡稱WSN）發(fā)展迅速，尤其是以態(tài)勢感知和網(wǎng)絡(luò)數(shù)據(jù)通信等技術(shù)一枝獨(dú)秀。同時(shí)，智能機(jī)器人具備形形色色的內(nèi)部信息傳感器和外部信息傳感器，如視覺、聽覺、觸覺、嗅覺。除具有感受器外，它還有效應(yīng)器，作為作用于周圍環(huán)境的手段。所以智能機(jī)器人有相當(dāng)發(fā)達(dá)的“大腦”，這種計(jì)算機(jī)跟操作者有直接聯(lián)系，可以進(jìn)行按目的安排動作。因此，探討基于WSN背景下的智能機(jī)器人技術(shù)研究具有重要的意義。智能機(jī)器人技術(shù)涉及面非常廣泛，文中作者僅對智能機(jī)器人的步行控制進(jìn)行若干研究。

一、WSN發(fā)展簡況

無線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks，簡稱WSN）是一種分布式傳感網(wǎng)絡(luò)，它的末梢是可以感知和檢查外部世界的傳感器。它是由大量的靜止或移動的傳感器以自組織和多跳的方式構(gòu)成的無線網(wǎng)絡(luò)，以協(xié)作地感知、采集、處理和傳輸網(wǎng)絡(luò)覆蓋地理區(qū)域內(nèi)被感知對象的信息，并最終把這些信息發(fā)送給網(wǎng)絡(luò)所有者的。WSN中的傳感器通過無線方式通信，因此網(wǎng)絡(luò)設(shè)置靈活，設(shè)備位置可以隨時(shí)更改，還可以跟互聯(lián)網(wǎng)進(jìn)行有線或無線方式的連接。通過無線通信方式形成的一個(gè)多跳自組織的網(wǎng)絡(luò)。

WSN主要特點(diǎn)是大規(guī)模、自組織、動態(tài)性、可靠性、以數(shù)據(jù)為中心等，關(guān)鍵技術(shù)涉及傳感器技術(shù)、無線通信技術(shù)、嵌入式操作系統(tǒng)技術(shù)、多跳自組織網(wǎng)絡(luò)的路由協(xié)議、信息安全技術(shù)、數(shù)據(jù)融合和數(shù)據(jù)管理技術(shù)、能量收集技術(shù)、低功耗技術(shù)等。無線傳感器網(wǎng)絡(luò)所具有的眾多類型的傳感器，可探測包括地震、電磁、溫度、濕度、噪聲、光強(qiáng)度、壓力、土壤成分、移動物體的大小、速度和方向等周邊環(huán)境中多種多樣的現(xiàn)象。WSN廣泛應(yīng)用于軍事、智能交通、環(huán)境監(jiān)控、醫(yī)療衛(wèi)生等多個(gè)領(lǐng)域。潛在的應(yīng)用領(lǐng)域包括軍事、航空、防爆、救災(zāi)、環(huán)境、醫(yī)療、保健、家居、工業(yè)、商業(yè)等領(lǐng)域。

WSN的發(fā)展得益于微機(jī)電系統(tǒng)（Micro-Electro-Mechanism System，簡稱 MEMS）、片上系統(tǒng)（System on Chip，簡稱SoC）、無線通信和低功耗嵌入式技術(shù)的飛速發(fā)展。中國物聯(lián)網(wǎng)校企聯(lián)盟認(rèn)為，傳感器網(wǎng)絡(luò)的發(fā)展歷程分為以下三個(gè)階段：傳感器→無線傳感器→無線傳感器網(wǎng)絡(luò)（大量微型、低成本、低功耗的傳感器節(jié)點(diǎn)組成的多跳無線網(wǎng)絡(luò)）。

傳感器網(wǎng)絡(luò)實(shí)現(xiàn)了數(shù)據(jù)的采集、處理和傳輸三種功能。它與通信技術(shù)和計(jì)算機(jī)技術(shù)共同構(gòu)成信息技術(shù)的三大支柱。由于無線傳感網(wǎng)在國際上被認(rèn)為是繼互聯(lián)網(wǎng)之后的第二大網(wǎng)絡(luò)，2003年美國《技術(shù)評論》雜志評出對人類未來生活產(chǎn)生深遠(yuǎn)影響的十大新興技術(shù)，傳感器網(wǎng)絡(luò)被列為第一。

在現(xiàn)代意義上的無線傳感網(wǎng)研究及其應(yīng)用方面，我國與發(fā)達(dá)國家?guī)缀跬絾?，它已?jīng)成為我國信息領(lǐng)域位居世界前列的少數(shù)方向之一。在2006年我國發(fā)布的《國家中長期科學(xué)與技術(shù)發(fā)展規(guī)劃綱要》中，為信息技術(shù)確定了三個(gè)前沿方向，其中有兩項(xiàng)就與傳感器網(wǎng)絡(luò)直接相關(guān)，這就是智能感知和自組網(wǎng)技術(shù)。當(dāng)然，傳感器網(wǎng)絡(luò)的發(fā)展也是符合計(jì)算設(shè)備的演化規(guī)律。

二、神經(jīng)網(wǎng)絡(luò)發(fā)展概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自學(xué)習(xí)和自適應(yīng)的能力。

（一）神經(jīng)網(wǎng)絡(luò)基本概念

神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。

人工神經(jīng)網(wǎng)絡(luò)分類為依學(xué)習(xí)策略（Algorithm）分類和依網(wǎng)絡(luò)架構(gòu)（Connectionism）分類，前者有監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)（Supervised Learning Network）、無監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)（Unsupervised Learning Network）、混合式學(xué)習(xí)網(wǎng)絡(luò)（Hybrid Learning Network）、聯(lián)想式學(xué)習(xí)網(wǎng)絡(luò)（Associate Learning Network）、最適化學(xué)習(xí)網(wǎng)絡(luò)（Optimization Application Network）等，后者有前向式架構(gòu)（Feed Forward Network）、回饋式架構(gòu)（Recurrent Network）、強(qiáng)化式架構(gòu)（Reinforcement Network）等。

（二）神經(jīng)網(wǎng)絡(luò)基本特征

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，它是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)具有四個(gè)基本特征：非線性、非局限性、非常定性、非凸性。其優(yōu)越性主要表現(xiàn)在三個(gè)方面：第一，具有自學(xué)習(xí)功能。未來的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)預(yù)期將為人類提供市場預(yù)測、經(jīng)濟(jì)預(yù)測、效益預(yù)測等。第二，具有聯(lián)想存儲功能。利用人工神經(jīng)網(wǎng)絡(luò)反饋網(wǎng)絡(luò)即可實(shí)現(xiàn)這種聯(lián)想。第三，具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往需要很大的計(jì)算量，利用一個(gè)針對某問題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可能很快找到優(yōu)化解。

（三）神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是由大量的處理單元（神經(jīng)元）相互連接而成的網(wǎng)絡(luò)。神經(jīng)元作為神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般表現(xiàn)為一個(gè)多輸入、單輸出的非線性器件。網(wǎng)絡(luò)中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù)；輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。一種常見的多層結(jié)構(gòu)的前饋網(wǎng)絡(luò)（Multilayer Feedforward Network）由如下三部分組成。

1．輸入層（Input Layer），眾多神經(jīng)元（Neuron）接受大量非線形輸入信息。輸入的信息稱為輸入向量。

2．輸出層（Output Layer），信息在神經(jīng)元鏈接中傳輸、分析、權(quán)衡，形成輸出結(jié)果。輸出的信息稱為輸出向量。

3．隱藏層（Hidden Layer），簡稱“隱層”，是輸入層和輸出層之間眾多神經(jīng)元和鏈接組成的各個(gè)層面。隱層可以有多層，習(xí)慣上會用一層。隱層的節(jié)點(diǎn)（神經(jīng)元）數(shù)目不定，但數(shù)目越多神經(jīng)網(wǎng)絡(luò)的非線性越顯著，從而神經(jīng)網(wǎng)絡(luò)的強(qiáng)健性（控制系統(tǒng)在一定結(jié)構(gòu)、大小等的參數(shù)攝動下，維持某些性能的特性）更顯著。

三、智能機(jī)器人相關(guān)概念

智能機(jī)器人是一個(gè)國家高科技發(fā)展水平的重要標(biāo)志之一，具有廣闊的應(yīng)用前景。智能機(jī)器人的研究從60年代初開始，經(jīng)過幾十年的發(fā)展，目前，基于感覺控制的智能機(jī)器人（又稱第二代機(jī)器人）已達(dá)到實(shí)際應(yīng)用階段，基于知識控制的智能機(jī)器人（又稱自主機(jī)器人或下一代機(jī)器人）也取得較大進(jìn)展，已研制出多種樣機(jī)。

（一）智能機(jī)器人分類

智能機(jī)器人作為一種包含相當(dāng)多學(xué)科知識的技術(shù)，幾乎是伴隨著人工智能所產(chǎn)生的。智能機(jī)器人在當(dāng)今社會變得越來越重要，越來越多的領(lǐng)域和崗位都需要智能機(jī)器人參與、這使得智能機(jī)器人的研究也越來越頻繁。到目前為止，在世界范圍內(nèi)還沒有一個(gè)統(tǒng)一的智能機(jī)器人定義。如果按照功能分類，可分為一般機(jī)器人和智能機(jī)器人。其中，智能機(jī)器人根據(jù)其智能程度的不同，又可分為三種：傳感型機(jī)器人、交互型機(jī)器人、自主型機(jī)器人。如果按智能程度分類，可分為工業(yè)機(jī)器人、初級智能機(jī)器人、智能農(nóng)業(yè)機(jī)器人、家庭智能陪護(hù)機(jī)器人、高級智能機(jī)器人

（二）智能機(jī)器人相關(guān)技術(shù)

智能機(jī)器人的組成部分一般包括執(zhí)行機(jī)構(gòu)、驅(qū)動裝置、傳感裝置、控制系統(tǒng)和復(fù)雜機(jī)械等。對智能機(jī)器人技術(shù)水平的衡量，有一定的技術(shù)指標(biāo)和標(biāo)準(zhǔn)，機(jī)器人能力評價(jià)指標(biāo)包括：智能程度、機(jī)能特性、物理能指標(biāo)。所以研究智能機(jī)器人涉及的面非常寬。

智能機(jī)器人關(guān)鍵技術(shù)包括多傳感器信息融合（多層次傳感器融合、微傳感器和智能傳感器、自適應(yīng)多傳感器融合）、導(dǎo)航與定位、路徑規(guī)劃、機(jī)器人視覺、智能控制、人機(jī)接口技術(shù)等。其中，由于目前智能技術(shù)的飛速發(fā)展，研究機(jī)器人智能控制尤為重要。研究控制機(jī)器人的問題主要在于模擬動物運(yùn)動和人的適應(yīng)能力。建立機(jī)器人控制的等級，首先是在機(jī)器人的各個(gè)等級水平上和子系統(tǒng)之間實(shí)行知覺功能、信息處理功能和控制功能的分配。

四、WSN背景下采用神經(jīng)網(wǎng)絡(luò)技術(shù)的智能機(jī)器人相關(guān)研究

在上述概念的基礎(chǔ)上，我們擬進(jìn)行基于WSN背景下的智能機(jī)器人神經(jīng)網(wǎng)絡(luò)技術(shù)研究，具體步驟如下。

（一）建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，分析智能機(jī)器人參數(shù)等

針對智能機(jī)器人的特點(diǎn)，確定總體測試原理，選取合適的測試元器件，進(jìn)而明確初步方案。如圖1所示。系統(tǒng)硬件由參數(shù)測量儀、信號調(diào)理單元、數(shù)據(jù)采集單元、計(jì)算機(jī)系統(tǒng)四大部分組成。其中，參數(shù)測量儀進(jìn)行機(jī)器人參數(shù)采集和測量；信號調(diào)理單元進(jìn)行前置放大和降噪處理；單片機(jī)數(shù)據(jù)采集和測控單元負(fù)責(zé)采集數(shù)據(jù)，并以串行通訊的方式傳輸給計(jì)算機(jī)；計(jì)算機(jī)系統(tǒng)負(fù)責(zé)對采集來的三維數(shù)據(jù)進(jìn)行軟件建模、圖像顯示和結(jié)果判決等工作。

圖1 智能機(jī)器人參數(shù)監(jiān)測與評估系統(tǒng)構(gòu)成的初步方案

其中，計(jì)算機(jī)系統(tǒng)中包含了某類初始神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型的建立過程。分為五大部分。

1．初始神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型的建立過程

（1）不同條件下的參數(shù)試驗(yàn)

選擇好出廠批次、機(jī)器人類型、在設(shè)定的初始狀態(tài)下，選擇一定的時(shí)間間隔，利用機(jī)器人所走步數(shù)、充電量、環(huán)境溫度等參數(shù)進(jìn)行試驗(yàn)，得出不同試驗(yàn)參數(shù)下的運(yùn)動學(xué)關(guān)系表。

（2）建立初始神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型

神經(jīng)網(wǎng)絡(luò)是將多個(gè)神經(jīng)元按某種拓?fù)浣Y(jié)構(gòu)連接起來的一種抽象的數(shù)學(xué)模型，它具有模式變換和自適應(yīng)學(xué)習(xí)能力。作者選擇了BP神經(jīng)網(wǎng)絡(luò)，這是一種多層前饋網(wǎng)絡(luò)，在神經(jīng)元間的傳遞函數(shù)選sigmoid型函數(shù)，它可以實(shí)現(xiàn)輸入到輸出的任意非線性映射。分別建立三個(gè)具有2隱層的3層BP神經(jīng)網(wǎng)絡(luò)模型，均采用3路輸入、1路輸出的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，第一二隱層中的神經(jīng)元取tansig雙曲正切傳遞函數(shù)，而輸出層取purelin線性傳遞函數(shù)。具體結(jié)構(gòu)示意圖如圖2所示。

取所走步數(shù)、充電量、環(huán)境溫度為輸入樣本，取運(yùn)動學(xué)關(guān)系表為輸出樣本，首先對各組數(shù)據(jù)進(jìn)行歸一化處理，獲得神經(jīng)網(wǎng)絡(luò)模型的輸入樣本c和輸出目標(biāo)樣本f。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

（3）神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，建立運(yùn)動學(xué)關(guān)系表初始預(yù)測值的自適應(yīng)數(shù)學(xué)實(shí)體模型

確定完輸入樣本和目標(biāo)樣本后，對所建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自主訓(xùn)練學(xué)習(xí)。目標(biāo)樣本訓(xùn)練過程中，取誤差平方和為0.0001，訓(xùn)練最大步數(shù)10000。通過Matlab工具箱中的traingb函數(shù)對網(wǎng)絡(luò)模型進(jìn)行自主訓(xùn)練學(xué)習(xí)。當(dāng)訓(xùn)練達(dá)到所要求的誤差時(shí)，停止網(wǎng)絡(luò)的自主訓(xùn)練，利用smiuff函數(shù)輸出仿真結(jié)果。

此時(shí)，通過對比試驗(yàn)值與預(yù)測值發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型的輸出樣本與目標(biāo)值十分接近，具有較好的精度。至此，神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)完畢，建立了初始神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。

2．參數(shù)傳遞，建立神經(jīng)網(wǎng)絡(luò)后續(xù)測試數(shù)學(xué)模型

將建立好的初始神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型傳遞給“神經(jīng)網(wǎng)絡(luò)后續(xù)測試數(shù)學(xué)模型”，即進(jìn)行神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)條件裝載，為后續(xù)的測試訓(xùn)練做準(zhǔn)備。

3．神經(jīng)網(wǎng)絡(luò)后續(xù)測試數(shù)學(xué)模型的訓(xùn)練過程

將運(yùn)動學(xué)關(guān)系表的測試試驗(yàn)值輸入給已裝載好數(shù)據(jù)的“神經(jīng)網(wǎng)絡(luò)后續(xù)測試數(shù)學(xué)模型”，生成運(yùn)動學(xué)關(guān)系表的測試預(yù)測值，繼而進(jìn)行測試訓(xùn)練。當(dāng)訓(xùn)練達(dá)到所要求的誤差時(shí)，停止網(wǎng)絡(luò)的自主訓(xùn)練。再將此時(shí)的測試預(yù)測值輸出，和其它采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)融合。

4．將直接建模和間接建模的前后數(shù)據(jù)分別比較，反饋至Matlab神經(jīng)網(wǎng)絡(luò)智能預(yù)測系統(tǒng)

將直接建模和間接建模的前后數(shù)據(jù)進(jìn)行數(shù)據(jù)比較，分別比較誤差，再進(jìn)行數(shù)據(jù)融合。如果不滿足指定的誤差要求，則有反饋信號告知網(wǎng)絡(luò)繼續(xù)訓(xùn)練。如果滿足指定的誤差要求時(shí)，停止網(wǎng)絡(luò)的自主訓(xùn)練，此時(shí)在神經(jīng)網(wǎng)絡(luò)得出的“運(yùn)動學(xué)關(guān)系表隨外界參數(shù)變化的曲線”基礎(chǔ)上，給出預(yù)測。

5．綜合評估

最后進(jìn)行綜合評估，給出評估結(jié)果。

（二）建立基于WSN背景下的數(shù)據(jù)傳送系統(tǒng)，送至后臺進(jìn)行分析和處理

在態(tài)勢感知模型和云計(jì)算技術(shù)的基礎(chǔ)上，作者提出一種基于WSN背景下的機(jī)器人節(jié)點(diǎn)數(shù)據(jù)傳送系統(tǒng)的模型，系統(tǒng)框圖如圖3所示。

圖3一種基于WSN背景下的機(jī)器人節(jié)點(diǎn)數(shù)據(jù)傳送系統(tǒng)的模型

圖3所示系統(tǒng)中現(xiàn)有云服務(wù)器m個(gè)，每個(gè)云服務(wù)器分別連接1個(gè)數(shù)據(jù)處理／指揮中心。其中，每個(gè)數(shù)據(jù)處理／指揮中心分別下轄n個(gè)網(wǎng)關(guān)，這n個(gè)網(wǎng)關(guān)分別通過無線信道與各自的機(jī)器人節(jié)點(diǎn)群相連。

每個(gè)機(jī)器人節(jié)點(diǎn)群的各節(jié)點(diǎn)將采集來的各類數(shù)據(jù)，通過無線信道，傳至網(wǎng)關(guān)1～n，再傳至數(shù)據(jù)處理/指揮中心，經(jīng)過數(shù)據(jù)融合和初步處理，再傳至云服務(wù)器。最終，經(jīng)過協(xié)議轉(zhuǎn)換，上傳數(shù)據(jù)至云計(jì)算中心。云計(jì)算中心里的專家知識系統(tǒng)將數(shù)據(jù)進(jìn)行經(jīng)過分布式計(jì)算（Distributed Computing）、并行計(jì)算（Parallel Computing）、效用計(jì)算（Utility Computing）、網(wǎng)絡(luò)存儲（Network Storage Technologies）、虛擬化 （Virtualization）、負(fù)載均衡（Load Balance）等處理，再將所需數(shù)據(jù)發(fā)回服務(wù)器，再傳至數(shù)據(jù)處理／指揮中心，供分析決策之用，并可由其做出動態(tài)調(diào)整。不難看出云計(jì)算的關(guān)鍵點(diǎn)在于協(xié)議轉(zhuǎn)換，對軟件和硬件都提出了很高要求。

五、結(jié)語

文中，作者初步探討了將神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)運(yùn)用到基于WSN背景下的智能機(jī)器人研究中。具體方法是基于WSN背景下建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，研究不同神經(jīng)網(wǎng)絡(luò)算法對于智能機(jī)器人技術(shù)的改進(jìn)和發(fā)展。同時(shí)，結(jié)合WSN的特性，可以很好地將數(shù)據(jù)進(jìn)行遠(yuǎn)程傳送。相關(guān)研究對闡明智能機(jī)器人發(fā)展機(jī)制、揭示基礎(chǔ)理論研究規(guī)律、拓展該技術(shù)的工程應(yīng)用領(lǐng)域有重要意義，將為進(jìn)一步豐富智能機(jī)器人理論構(gòu)架奠定研究基礎(chǔ)、提供借鑒思路。

[1]ESTRIN D,GOVINDAN R,HEIDEMANN J．Next century challenges： scalable coordination in sensornetworks[A]．Proceedings of the Fifth Annual International Conference on Mobile Computing and Networks (MobiCOM'99)[C]．Washington,USA,1999．263-270．

[2]Akyildiz I．F,Su W,Sankarasubramaniam Y,Cayirci E．Wireless sensor network：A survey．Computer Networks,2002,38(4)：393-422．

[3]馬祖長,孫怡寧，等．無線傳感器網(wǎng)絡(luò)綜述 [J]．通信學(xué)報(bào),2004,25(4)：114-124．

[4]崔遜學(xué),趙 湛,等．無線傳感器網(wǎng)絡(luò)的領(lǐng)域應(yīng)用與設(shè)計(jì)技術(shù)[M]．北京：國防工業(yè)出版社,2009,1．

[5]任福繼,孫 曉．智能機(jī)器人的現(xiàn)狀及發(fā)展 [J]．科技導(dǎo)報(bào),2015，33(21)：33-38．

[6]孟慶春,齊 勇，等．智能機(jī)器人及其發(fā)展[J]．中國海洋大學(xué)學(xué)報(bào),2004,34(5)：831-838．

[7]房海蓉,方躍法,等．基于神經(jīng)網(wǎng)絡(luò)的機(jī)器人智能控制[J]．機(jī)器人技術(shù)與應(yīng)用,2002,(4)：28-31+32．

[8]陳 拓．基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配技術(shù)研究 [D]．杭州：浙江大學(xué),2017．

[9]沈顯慶,汪才杰．智能機(jī)器人的模糊神經(jīng)網(wǎng)絡(luò)避障算法[J]．黑龍江科技學(xué)院學(xué)報(bào),2012,(6)：613-616+625．

[10]劉曉玉．復(fù)雜環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的工件識別與機(jī)器人智能抓取[D]．武漢：武漢科技大學(xué),2009．

[11]李 強(qiáng),楊曉京,等．基于神經(jīng)網(wǎng)絡(luò)信息融合的智能機(jī)器人[J]．機(jī)電工程技術(shù),2006,(6)：72-74+115．

[12]邢 軍,王 杰．神經(jīng)網(wǎng)絡(luò)在移動機(jī)器人路徑規(guī)劃中的應(yīng)用研究[J]．微計(jì)算機(jī)信息,2005,(22)：115-116+158．

[13]孫 羽,張汝波．神經(jīng)網(wǎng)絡(luò)在智能機(jī)器人導(dǎo)航系統(tǒng)中的應(yīng)用研究[J]．計(jì)算機(jī)工程,2002,(1)：139-141．

[14]孫凝暉,徐志偉,等．海計(jì)算：物聯(lián)網(wǎng)的新型計(jì)算模型[J]．中國計(jì)算機(jī)學(xué)會通訊,2010,6(7)：52-57．

[15]王姣龍．物聯(lián)網(wǎng)與云計(jì)算、海計(jì)算的關(guān)系[J]．物聯(lián)網(wǎng)技術(shù),2012,(2)：15-19．

[16]丁治明,劉奎恩．海-云計(jì)算數(shù)據(jù)管理技術(shù) [J]．金融電子化,2013,(2)：36-39．

[17]美國國家標(biāo)準(zhǔn)和技術(shù)研究院．美國國家標(biāo)準(zhǔn)與技術(shù)研究院對云計(jì)算的定義[R]．2011，（9）．

[18]張耀祥．云計(jì)算和虛擬化技術(shù)[J]．計(jì)算機(jī)安全,2011,(5)：80-82．