CN110826437A - 基于生物神经网络的智能机器人控制方法、系统、装置 - Google Patents
基于生物神经网络的智能机器人控制方法、系统、装置 Download PDFInfo
- Publication number
- CN110826437A CN110826437A CN201911014231.7A CN201911014231A CN110826437A CN 110826437 A CN110826437 A CN 110826437A CN 201911014231 A CN201911014231 A CN 201911014231A CN 110826437 A CN110826437 A CN 110826437A
- Authority
- CN
- China
- Prior art keywords
- neural network
- intelligent robot
- feature
- feature vector
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013529 biological neural network Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 141
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 13
- 239000012528 membrane Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000002964 excitative effect Effects 0.000 claims description 12
- 230000002401 inhibitory effect Effects 0.000 claims description 12
- 239000011229 interlayer Substances 0.000 claims description 9
- 210000000225 synapse Anatomy 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 240000002627 Cordeauxia edulis Species 0.000 claims description 5
- 210000000170 cell membrane Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000971 hippocampal effect Effects 0.000 abstract description 10
- 230000008447 perception Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 14
- 210000004556 brain Anatomy 0.000 description 8
- 210000001947 dentate gyrus Anatomy 0.000 description 8
- 239000002775 capsule Substances 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000001320 hippocampus Anatomy 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010387 memory retrieval Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明属于计算神经科学及智能机器人领域，具体涉及了一种基于生物神经网络的智能机器人控制方法、系统、装置，旨在解决现有的海马启发脉冲生物神经网络模型无法实现智能机器人复杂模式控制的问题。本发明方法包括：基于生物海马区亚区的结构和功能启发构建特征提取、特征关联学习神经网络，对智能机器人环境图像进行处理；采用分类神经网络基于得到的特征向量获取智能机器人行为类别；通过智能机器人行为类别‑控制命令关系，获得智能机器人控制命令。本发明生物神经网络模型在抗噪性能上有很大的提升，提高了复杂背景下的物体感知、高噪声背景下的物体识别的正确率，网络模型的鲁棒性好，为NAO智能机器人控制提供了一个有效的决策方法。
Description
技术领域
本发明属于计算神经科学及智能机器人领域，具体涉及了一种基于生物神经网络的智能机器人控制方法、系统、装置。
背景技术
随着科技的不断进步，机器人相关的技术也得到了突飞猛进的发展，开始向智能化的方向发展。传统机器人控制技术中，要使其按照人类的意图进行动作，通常是采用遥控或者提前训练好的程序来控制机器人执行相关的动作，交互方式单一且鲁棒性差，如机器人行走过程中经常出现的视觉抖动、虚化或其它噪声类信息对模型稳定控制带来了极大的挑战。现在一些基于仿生生物神经网络的智能机器人控制方法，已经可以脱离遥控器以及提前设定的动作程序，实现仿生物化、智能化、高鲁棒性的智能机器人控制。
记忆的产生和维持是哺乳动物的众多重要功能之一，对记忆相关脑区的结构和功能的研究一直以来都受到了生物领域的极高重视。由于记忆又可以细分为多种记忆子类型，如短时记忆、长时记忆、工作记忆等，而不同的记忆类型所涉及的脑区不尽相同，因此更多的研究者们专注于研究某一特定类型的记忆任务和对应脑区。在众多脑区中，研究的最多的当属于海马区，它在短时记忆到长时记忆的转化、记忆的存储提取、记忆的关联等过程中都扮演了重要的作用。
基于海马区域主要的亚区，如阿蒙角1区(CA1)，阿蒙角3区(CA3)，齿状回(DG)等几个部分构建数学模型，使用更加类脑的脉冲神经网络建模生物海马网络的信息处理通路，信息从齿状回，再通过苔状纤维连接CA3脑区，CA3脑区是具有强环路特性的脑区，可以对特征层的记忆实现存取，最后通过CA1进行网络的输出，构建的模型在模式分类，特别是高噪声环境下的模式识别能力具有较好的效果。
已有的海马相关模型主要包括以下几个方面：通过模拟海马实验现象，对子区CA1等神经网络进行功能仿真；基于吸引子的概念，通过构建吸引子网络，使得记忆的信息可以在一定时间内维持，达到记忆的保持的目的；基于CA3网络的自连接回路比例很高的情况，构建环状的记忆存储和提取的网络模型，实现对简单数据，如图片信息、向量信息的存储和提取；基于齿状回DG门区中的新细胞的产生速度和记忆的遗忘速度成正比的情况，构建模型模拟新细胞的生成，在原有的记忆信息产生一定的损坏的同时，保证了新信息的存储和更新。
总的来说，现有的海马启发脉冲生物神经网络模型大部分偏重于功能模拟仿真、或者简单的存储提取任务，无法实现智能机器人复杂模式控制。
发明内容
为了解决现有技术中的上述问题，即现有的海马启发脉冲生物神经网络模型无法实现智能机器人复杂模式控制的问题，本发明提供了一种基于生物神经网络的智能机器人控制方法，该智能机器人控制方法包括：
步骤S10，获取智能机器人环境图像集作为待处理图像集；
步骤S20，基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；所述特征提取神经网络为基于前馈脉冲神经网络构建的用于特征提取的生物神经网络；
步骤S30，分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；所述特征关联神经网络为基于量化环状反馈脉冲神经网络构建的用于特征关联学习的生物神经网络；
步骤S40，基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；所述分类神经网络为基于全连接神经网络构建的用于获取智能机器人行为类别的生物神经网络；
步骤S50，基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令。
在一些优选的实施例中，所述特征提取神经网络，其训练方法为：
步骤T10，获取多种情况的智能机器人环境图像集作为特征提取神经网络训练图像集合；
步骤T20，基于所述特征提取神经网络训练图像集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的特征提取神经网络。
在一些优选的实施例中，所述特征关联神经网络，其训练方法为：
步骤G10，通过训练好的特征提取神经网络，获取多种情况的智能机器人环境图像集的特征向量，作为特征关联神经网络训练特征向量集合；
步骤G20，基于所述特征关联神经网络训练特征向量集合，通过Hebb学习法则对所述特征关联神经网络进行非监督学习调节网络层间权重，获得训练好的特征关联神经网络。
在一些优选的实施例中，所述分类神经网络，其训练方法为：
步骤F10，通过训练好的特征提取神经网络、特征关联神经网络，获取多种情况的智能机器人环境图像集的特征向量及其关联性，作为分类神经网络训练特征向量集合；获取多种情况的智能机器人环境图像集对应的真实智能机器人行为类别作为分类神经网络训练样本标签集合；
步骤F20，基于所述分类神经网络训练特征向量集合、分类神经网络训练样本标签集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的分类神经网络。
在一些优选的实施例中，所述第一特征向量，其计算过程中网络节点计算方法为：
其中，τm为膜电位恢复稳态的时间参量，
代表膜电位随时间的差分值，gL代表细胞膜漏电流对应的漏电电导，V代表LIF神经元膜电位，VL代表漏电流的基准膜电势，Isyn为图像各像素灰度值。
在一些优选的实施例中，所述LIF神经元，其连接结点神经突触包括兴奋性神经突触、抑制性神经突触：
其中，分别代表兴奋性神经电导的改变量、抑制性神经电导的改变量，τE、τI分别代表神经元的兴奋性分量恢复稳定时间量、神经元的抑制性分量恢复稳定时间量，wi,j代表前馈神经元i和神经元j的连接权重，
代表神经元j发生放电的激励函数且是第k个脉冲，
代表第k个脉冲时刻，CE、CI分别代表兴奋性神经元的数量、抑制性神经元数量。
在一些优选的实施例中，所述特征关联神经网络的状态为-1和1的量化值：
其中，Si代表环状特征关联神经网络(环状CA3神经网络)中的神经元i的状态，Sj代表特征关联神经网络中的神经元i的状态，Wij代表环状网络神经元i和神经元j之间的连接权重，θi代表整个状态积累和的符号函数。
在一些优选的实施例中，所述智能机器人行为类别包括：
前行、后退、左转、右转、左迈一步、右迈一步。
本发明的另一方面，提出了一种基于生物神经网络的智能机器人控制系统，该智能机器人控制系统包括输入模块、特征提取模块、特征关联模块、分类模块、控制指令获取模块、输出模块；
所述输入模块，配置为获取智能机器人环境图像集作为待处理图像集并输入；
所述特征提取模块，配置为基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；
所述特征关联模块，配置为分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；
所述分类模块，配置为基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；
所述控制指令获取模块，配置为基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令；
所述输出模块，配置为输出获取的智能机器人控制命令。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于生物神经网络的智能机器人控制方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于生物神经网络的智能机器人控制方法。
本发明的有益效果：
(1)本发明基于生物神经网络的智能机器人控制方法，构建了基于海马结构和功能启发的类脑脉冲生物神经网络模型，在具有高噪声环境下，海马启发的生物神经网络模型具有更好的可解释性，且在抗噪性能上相比最优的卷积神经网络、胶囊网络等有更大的性能提升，提高了复杂背景下的物体感知、高噪声背景下的物体识别、虚化抖动背景下的结构重建等的正确率，网络模型的鲁棒性好。
(2)本发明基于生物神经网络的智能机器人控制方法，复杂背景下的物体感知、高噪声背景下的物体识别的正确率高，为NAO智能机器人的跑道行走提供了一个有效的决策方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于生物神经网络的智能机器人控制方法的流程示意图；
图2是本发明基于生物神经网络的智能机器人控制方法一种实施例的网络模型与智能机器人控制任务示意图；
图3是本发明基于生物神经网络的智能机器人控制方法与卷积深度网络、胶囊网络在不同噪声比下的模式识别准确率曲线图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于生物神经网络的智能机器人控制方法，通过对生物海马区不同的亚区连接结构的分析，构建齿状回脑区脉冲网络用于特征提取、CA3脉冲网络用于特征关联学习、CA1脉冲网络用于分类，复杂背景下的物体感知、高噪声背景下的物体识别的正确率高，从而为NAO智能机器人的跑道行走提供了一个有效的决策方法。
本发明的一种基于生物神经网络的智能机器人控制方法，该智能机器人控制方法包括：
步骤S10，获取智能机器人环境图像集作为待处理图像集；
步骤S20，基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；所述特征提取神经网络为基于前馈脉冲神经网络构建的用于特征提取的生物神经网络；
步骤S30，分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；所述特征关联神经网络为基于量化环状反馈脉冲神经网络构建的用于特征关联学习的生物神经网络；
步骤S40，基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；所述分类神经网络为基于全连接神经网络构建的用于获取智能机器人行为类别的生物神经网络；
步骤S50，基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令。
为了更清晰地对本发明基于生物神经网络的智能机器人控制方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于生物神经网络的智能机器人控制方法，包括步骤S10-步骤S50，各步骤详细描述如下：
步骤S10，获取智能机器人环境图像集作为待处理图像集；
本发明的一个实施例中，对获取的智能机器人环境集中每一个图像通过直方图均衡化、归一化进行前期预处理，将图像转化为固定56×56像素大小、固定灰度范围0-1之间的标准图像。
步骤S20，基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；所述特征提取神经网络为基于前馈脉冲神经网络构建的用于特征提取的生物神经网络。
特征提取神经网络采用多种情况的智能机器人环境图像集作为训练图像集合，并通过基于时序脉冲依赖的可塑性学习法则(STDP，Spike-Timing Dependent Plasticity)进行非监督学习调节网络层间权重，网络的具体训练过程为：
步骤T10，获取多种情况的智能机器人环境图像集作为特征提取神经网络训练图像集合；
步骤T20，基于所述特征提取神经网络训练图像集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的特征提取神经网络。
特征提取神经网络为受生物海马区的齿状回区的结构和功能启发，基于前馈脉冲神经网络构建的DG网络，网络采用LIF神经元建模，以图像各像素的灰度值作为神经元刺激信号，当LIF神经元膜电位达到放电阈值后，神经元结点发放脉冲，第一特征向量计算过程中的网络节点计算方法如式(1)所示：
其中，τm为膜电位恢复稳态的时间参量，
代表膜电位随时间的差分值，gL代表细胞膜漏电流对应的漏电电导，V代表LIF神经元膜电位，VL代表漏电流的基准膜电势，Isyn为图像各像素灰度值。
LIF神经元的连接结点神经突触包括兴奋性神经突触、抑制性神经突触，分别如式(2)、式(3)所示：
其中，
分别代表兴奋性神经电导的改变量、抑制性神经电导的改变量，τE、τI分别代表神经元的兴奋性分量恢复稳定时间量、神经元的抑制性分量恢复稳定时间量，wi,j代表前馈神经元i和神经元j的连接权重，代表神经元j发生放电的激励函数且是第k个脉冲，
代表第k个脉冲时刻，CE、CI分别代表兴奋性神经元的数量、抑制性神经元数量。
步骤S30，分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；所述特征关联神经网络为基于量化环状反馈脉冲神经网络构建的用于特征关联学习的生物神经网络。
特征关联神经网络采用特征提取神经网络获取多种情况的智能机器人环境图像集的特征向量集作为训练特征向量集合，并通过Hebb法则进行非监督学习调节网络层间权重，网络的具体训练过程为：
步骤G10，通过训练好的特征提取神经网络，获取多种情况的智能机器人环境图像集的特征向量，作为特征关联神经网络训练特征向量集合；
步骤G20，基于所述特征关联神经网络训练特征向量集合，通过Hebb学习法则对所述特征关联神经网络进行非监督学习调节网络层间权重，获得训练好的特征关联神经网络。
特征关联神经网络的状态为-1和1的量化值，如式(4)、式(5)所示：
其中，Si代表环状特征关联神经网络(环状CA3神经网络)中的神经元i的状态，Sj代表特征关联神经网络中的神经元j的状态，Wij代表环状网络神经元i和神经元j之间的连接权重，θi代表整个状态积累和的符号函数。
特征关联网络的权重调整采用Hebb学习法则，当网络状态的量化值都为+1的时候，实现突触权重的增强，如式(6)、式(7)所示：
其中，Wij代表特征关联神经网络神经元i和神经元j之间的连接权重，N代表整个特征关联神经网络的神经元数目，xT代表前馈网络的输出向量(特征关联神经网络的输入向量)的转置，x代表代表前馈网络的输出向量(特征关联神经网络的输入向量)，m代表倍乘因子(超参数)，I代表单位矩阵。
其中，hi代表特征关联神经网络整体能量，n代表特征关联神经网络的神经元数目，Aj为特征关联神经网络的偏置矩阵。
步骤S40，基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；所述分类神经网络为基于全连接神经网络构建的用于获取智能机器人行为类别的生物神经网络。
分类神经网络采用特征提取神经网络、特征关联神经网络获取多种情况的智能机器人环境图像集的特征向量及其关联性作为分类神经网络训练特征向量集合，获取多种情况的智能机器人环境图像集对应的真实智能机器人行为类别作为分类神经网络训练样本标签集合，通过基于时序脉冲依赖的可塑性学习法则进行非监督学习调节网络层间权重，网络的具体训练过程为：
步骤F10，通过训练好的特征提取神经网络、特征关联神经网络，获取多种情况的智能机器人环境图像集的特征向量及其关联性，作为分类神经网络训练特征向量集合；获取多种情况的智能机器人环境图像集对应的真实智能机器人行为类别作为分类神经网络训练样本标签集合；
步骤F20，基于所述分类神经网络训练特征向量集合、分类神经网络训练样本标签集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的分类神经网络。
如图2所示，为本发明基于生物神经网络的智能机器人控制方法一种实施例的网络模型与智能机器人控制任务示意图，DG代表特征提取神经网络，CA3代表特征关联神经网络，CA1代表分类神经网络，分别受海马区齿状回区、阿蒙角3区、阿蒙角1区的结构和功能启发构建，图2左上角为智能机器人控制任务中实时道路信息采集图像，图2右上角为智能机器人训练中对道路的识别和记忆。
步骤S50，基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令。
智能机器人行为类别包括：
前行、后退、左转、右转、左迈一步、右迈一步。
如图3所示，为本发明基于生物神经网络的智能机器人控制方法与卷积深度网络、胶囊网络在不同噪声比下的模式识别准确率曲线图，Accuracy表示模式识别准确率，Percentage of Noise表示待处理图像集中图像的噪声比，连续曲线表示本发明方法HMSNN，灰色断点曲线表示卷积深度网络CNN，黑色断点曲线表示胶囊网络CapsNet，从图中可以看出，在图像噪声比逐渐加大的情况下，本发明方法的模式识别准确率相比较卷积深度网络、胶囊网络优势更加明显，本发明的基于生物神经网络的智能机器人控制方法具有更高的抗噪性。
本发明第二实施例的基于生物神经网络的智能机器人控制系统，该智能机器人控制系统包括输入模块、特征提取模块、特征关联模块、分类模块、控制指令获取模块、输出模块；
所述输入模块，配置为获取智能机器人环境图像集作为待处理图像集并输入；
所述特征提取模块，配置为基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；
所述特征关联模块，配置为分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；
所述分类模块，配置为基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；
所述控制指令获取模块，配置为基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令；
所述输出模块，配置为输出获取的智能机器人控制命令。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于生物神经网络的智能机器人控制系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于生物神经网络的智能机器人控制方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于生物神经网络的智能机器人控制方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种基于生物神经网络的智能机器人控制方法，其特征在于，该智能机器人控制方法包括：
步骤S10，获取智能机器人环境图像集作为待处理图像集；
步骤S20，基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；所述特征提取神经网络为基于前馈脉冲神经网络构建的用于特征提取的生物神经网络；
步骤S30，分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；所述特征关联神经网络为基于量化环状反馈脉冲神经网络构建的用于特征关联学习的生物神经网络；
步骤S40，基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；所述分类神经网络为基于全连接神经网络构建的用于获取智能机器人行为类别的生物神经网络；
步骤S50，基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令。
2.根据权利要求1所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述特征提取神经网络，其训练方法为：
步骤T10，获取多种情况的智能机器人环境图像集作为特征提取神经网络训练图像集合；
步骤T20，基于所述特征提取神经网络训练图像集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的特征提取神经网络。
3.根据权利要求1或2所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述特征关联神经网络，其训练方法为：
步骤G10，通过训练好的特征提取神经网络，获取多种情况的智能机器人环境图像集的特征向量，作为特征关联神经网络训练特征向量集合；
步骤G20，基于所述特征关联神经网络训练特征向量集合，通过Hebb学习法则对所述特征关联神经网络进行非监督学习调节网络层间权重，获得训练好的特征关联神经网络。
4.根据权利要求3任一项所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述分类神经网络，其训练方法为：
步骤F10，通过训练好的特征提取神经网络、特征关联神经网络，获取多种情况的智能机器人环境图像集的特征向量及其关联性，作为分类神经网络训练特征向量集合；获取多种情况的智能机器人环境图像集对应的真实智能机器人行为类别作为分类神经网络训练样本标签集合；
步骤F20，基于所述分类神经网络训练特征向量集合、分类神经网络训练样本标签集合，通过基于时序脉冲依赖的可塑性学习法则对所述特征提取神经网络进行非监督学习调节网络层间权重，获得训练好的分类神经网络。
5.根据权利要求1所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述第一特征向量，其计算过程中的网络节点计算方法为：
其中，τm为膜电位恢复稳态的时间参量，代表膜电位随时间的差分值，gL代表细胞膜漏电流对应的漏电电导，V代表LIF神经元膜电位，VL代表漏电流的基准膜电势，Isyn为图像各像素灰度值。
6.根据权利要求5任一项所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述LIF神经元，其连接结点神经突触包括兴奋性神经突触、抑制性神经突触：
其中，
分别代表兴奋性神经电导的改变量、抑制性神经电导的改变量，τE、τI分别代表神经元的兴奋性分量恢复稳定时间量、神经元的抑制性分量恢复稳定时间量，wi,j代表前馈神经元i和神经元j的连接权重，代表神经元j发生放电的激励函数且是第k个脉冲，
代表第k个脉冲时刻，CE、CI分别代表兴奋性神经元的数量、抑制性神经元数量。
7.根据权利要求1所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述特征关联神经网络的状态为-1和1的量化值：
其中，Si代表环状特征关联神经网络(环状CA3神经网络)中的神经元i的状态，Sj代表特征关联神经网络中的神经元i的状态，Wij代表环状网络神经元i和神经元j之间的连接权重，θi代表整个状态积累和的符号函数。
8.根据权利要求1所述的基于生物神经网络的智能机器人控制方法，其特征在于，所述智能机器人行为类别包括：
前行、后退、左转、右转、左迈一步、右迈一步。
9.一种基于生物神经网络的智能机器人控制系统，其特征在于，该智能机器人控制系统包括输入模块、特征提取模块、特征关联模块、分类模块、控制指令获取模块、输出模块；
所述输入模块，配置为获取智能机器人环境图像集作为待处理图像集并输入；
所述特征提取模块，配置为基于所述待处理图像集中每一个图像，分别通过训练好的特征提取神经网络提取特征，获得第一特征向量集；
所述特征关联模块，配置为分别通过训练好的特征关联神经网络获取所述第一特征向量集中每一个特征向量的值之间的关联性，获得第二特征向量集；
所述分类模块，配置为基于所述第二特征向量集，通过训练好的分类神经网络获取智能机器人行为类别；
所述控制指令获取模块，配置为基于所述智能机器人行为类别及输入的智能机器人行为类别-控制命令映射关系，获取智能机器人控制命令；
所述输出模块，配置为输出获取的智能机器人控制命令。
10.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的基于生物神经网络的智能机器人控制方法。
11.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-8任一项所述的基于生物神经网络的智能机器人控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911014231.7A CN110826437A (zh) | 2019-10-23 | 2019-10-23 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911014231.7A CN110826437A (zh) | 2019-10-23 | 2019-10-23 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826437A true CN110826437A (zh) | 2020-02-21 |
Family
ID=69550363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911014231.7A Pending CN110826437A (zh) | 2019-10-23 | 2019-10-23 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826437A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882065A (zh) * | 2020-08-03 | 2020-11-03 | 中国人民解放军国防科技大学 | 映射脉冲神经网络到类脑计算平台的方法、系统及介质 |
| CN112329327A (zh) * | 2020-11-26 | 2021-02-05 | 中国人民解放军国防科技大学 | 一种硬件感知的液体状态机网络生成方法及系统 |
| CN112381857A (zh) * | 2020-11-12 | 2021-02-19 | 天津大学 | 一种基于脉冲神经网络的类脑目标跟踪方法 |
| CN112561057A (zh) * | 2020-12-09 | 2021-03-26 | 清华大学 | 一种状态控制方法及装置 |
| CN113311789A (zh) * | 2021-04-25 | 2021-08-27 | 北京工业大学 | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 |
| CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
| CN113688981A (zh) * | 2020-05-19 | 2021-11-23 | 深圳忆海原识科技有限公司 | 具有记忆与信息抽象功能的类脑神经网络 |
| WO2021232933A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
| CN114872040A (zh) * | 2022-04-20 | 2022-08-09 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
| US20140122399A1 (en) * | 2012-10-25 | 2014-05-01 | Brain Corporation | Apparatus and methods for activity-based plasticity in a spiking neuron network |
| CN103984342A (zh) * | 2013-12-23 | 2014-08-13 | 王秀青 | 移动机器人的多脉冲神经网络控制器导航控制方法 |
| CN106650922A (zh) * | 2016-09-29 | 2017-05-10 | 清华大学 | 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统 |
| CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
| CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
-
2019
- 2019-10-23 CN CN201911014231.7A patent/CN110826437A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
| US20140122399A1 (en) * | 2012-10-25 | 2014-05-01 | Brain Corporation | Apparatus and methods for activity-based plasticity in a spiking neuron network |
| CN103984342A (zh) * | 2013-12-23 | 2014-08-13 | 王秀青 | 移动机器人的多脉冲神经网络控制器导航控制方法 |
| CN106650922A (zh) * | 2016-09-29 | 2017-05-10 | 清华大学 | 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统 |
| CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
| CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| TIELIN ZHANG等: "HMSNN: Hippocampus inspired Memory Spiking Neural Network", 《2016 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS》 * |
| YI ZENG等: "Improving multi-layer spiking neural networks by incorporating brain-inspired rules", 《SCIENCE CHINA INFORMATION SCIENCES》 * |
| 黄秉宪等: "海马CA3非全联接神经网络", 《1999年中国神经网络与信号处理学术会议论文集》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688981A (zh) * | 2020-05-19 | 2021-11-23 | 深圳忆海原识科技有限公司 | 具有记忆与信息抽象功能的类脑神经网络 |
| WO2021232933A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
| CN111882065A (zh) * | 2020-08-03 | 2020-11-03 | 中国人民解放军国防科技大学 | 映射脉冲神经网络到类脑计算平台的方法、系统及介质 |
| CN111882065B (zh) * | 2020-08-03 | 2022-05-03 | 中国人民解放军国防科技大学 | 映射脉冲神经网络到类脑计算平台的方法、系统及介质 |
| CN112381857A (zh) * | 2020-11-12 | 2021-02-19 | 天津大学 | 一种基于脉冲神经网络的类脑目标跟踪方法 |
| CN112329327A (zh) * | 2020-11-26 | 2021-02-05 | 中国人民解放军国防科技大学 | 一种硬件感知的液体状态机网络生成方法及系统 |
| CN112561057A (zh) * | 2020-12-09 | 2021-03-26 | 清华大学 | 一种状态控制方法及装置 |
| CN113311789A (zh) * | 2021-04-25 | 2021-08-27 | 北京工业大学 | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 |
| CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
| CN113449864B (zh) * | 2021-07-21 | 2023-08-25 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
| CN114872040A (zh) * | 2022-04-20 | 2022-08-09 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
| CN114872040B (zh) * | 2022-04-20 | 2024-04-16 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826437A (zh) | 基于生物神经网络的智能机器人控制方法、系统、装置 | |
| Zeng et al. | Gans-based data augmentation for citrus disease severity detection using deep learning | |
| CN110826602B (zh) | 基于膜电位调控脉冲神经网络的图像分类方法、系统 | |
| CN110110794B (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
| Luciw et al. | Where What Network 3: Developmental top-down attention with multiple meaningful foregrounds | |
| Iyer et al. | Unsupervised learning of event-based image recordings using spike-timing-dependent plasticity | |
| Agarwal et al. | Grape disease identification using convolution neural network | |
| Manna et al. | Simple and complex spiking neurons: perspectives and analysis in a simple STDP scenario | |
| Taslim et al. | Plant leaf identification system using convolutional neural network | |
| Song et al. | Where-what network 5: Dealing with scales for objects in complex backgrounds | |
| Guo et al. | Cross-domain and within-domain synaptic maintenance for autonomous development of visual areas | |
| Ahmed et al. | Design and implementation of a neural network for real-time object tracking | |
| He et al. | Leaf classification utilizing a convolutional neural network with a structure of single connected layer | |
| Teng et al. | Dendritic neuron model and its capability of approximation | |
| Ergene et al. | Imitation and learning of human hand gesture tasks of the 3D printed robotic hand by using artificial neural networks | |
| Irmak et al. | Emotion Analysis from Facial Expressions Using Convolutional Neural Networks | |
| Moitra et al. | Use of Convolutional Neural Network (CNN) to Detect Plant Disease | |
| Kim | Optimal Structures of a Neural Network Based on OpenCV for a Golf Ball Recognition | |
| Kammer et al. | A perceptual memory system for affordance learning in humanoid robots | |
| Mozaffari et al. | Virtual reality and tracking the mating behavior of fruit flies: A machine learning approach | |
| Luciw et al. | Laterally connected lobe component analysis: Precision and topography | |
| Cheng | Object recognition on icub robot | |
| Ji et al. | A developmental where–what network for concurrent and interactive visual attention and recognition | |
| Zheng et al. | Convolutional neural networksbased plankton image classification system | |
| Omidvar et al. | A clustering approach by SSPCO optimization algorithm based on chaotic initial population |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |