CN111958599A - 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂 - Google Patents

一种基于星形胶质细胞的自修复控制系统和智能机器人手臂 Download PDF

Info

Publication number
CN111958599A
CN111958599A CN202010826971.7A CN202010826971A CN111958599A CN 111958599 A CN111958599 A CN 111958599A CN 202010826971 A CN202010826971 A CN 202010826971A CN 111958599 A CN111958599 A CN 111958599A
Authority
CN
China
Prior art keywords
module
output
signal
glu
control system
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
Application number
CN202010826971.7A
Other languages
English (en)
Inventor
洪庆辉
陈和甘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202010826971.7A priority Critical patent/CN111958599A/zh
Publication of CN111958599A publication Critical patent/CN111958599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于星形胶质细胞的自修复控制系统和智能机器人手臂。一种基于星形胶质细胞的自修复控制系统,包括多个神经元组件、多个输出转换器、多个输出忆阻器;所述神经元组件包括直接输出回路和间接输出回路;所述直接输出回路具有直接信号输出端,所述间接输出回路具有间接信号输出端;每个所述神经元组件的所述直接信号输出端与对应的所述输出转换器连接。本发明通过多个神经元组件协同对外输出控制指令,即使出现某一个神经元组件坏损的情况,也可以通过其他健康的神经元组件使用各自的间接信号对坏损的神经元组件的控制信号进行补偿,进而保证自修复控制系统在控制输出上的完整性。

Description

一种基于星形胶质细胞的自修复控制系统和智能机器人手臂
技术领域
本发明涉及机器人控制领域,尤其涉及一种基于星形胶质细胞的自修复控制系统和智能机器人手臂。
背景技术
随着机器人技术的不断发展,机器人已广泛应用于各个行业。人们对机器人提出了更高的要求,即能在高温,高压等复杂环境下工作。这大大增加了机器人损坏的可能性,并且对机器人的性能产生了严重影响,例如可持续性,灵活性,可靠性,鲁棒性,容错性等。为了保证机器人在复杂环境下的工作能力,并延长机器人的使用寿命,机器人应该具有自我修复的能力。
在机器人领域,具有自我修复能力的机器人包括具有自我修复算法的模块化机器人,自重构机器人和弹性机器人。目前,弹性机器人的自我修复方法主要包括改变机器人的运动方式,改变构件的拓扑结构和改变构件的形式,我们发现这些方法不能有效地修复机器人。因为这些理论基于机器人组件之间的二次拼接,以减少诸如灵活性和可持续性之类的损害影响,并没有从电路设计层面实现自修复功能。自重构机器人的主要自我修复方法是检测损坏的零件,然后用备件替换损坏的零件以达到自我修复的效果。尽管此方法可以实现较高水平的自我修复,但会引起许多问题。例如,机器人的设计更复杂,算法也很困难实现。特别是,如果相同的零件再次损坏,机器人将难以正常工作。
因而现有的机器人自修复控制领域存在不足,还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种基于星形胶质细胞的自修复控制系统和智能机器人手臂,能够在系统部分损坏的情况下继续稳定工作,将损坏的部分的功能通过正常的部分进行弥补,实现控制系统的自修复。
为了达到上述目的,本发明采取了以下技术方案:
一种基于星形胶质细胞的自修复控制系统,包括多个神经元组件、多个输出转换器、多个输出忆阻器;所述神经元组件包括直接输出回路和间接输出回路;所述直接输出回路具有直接信号输出端,所述间接输出回路具有间接信号输出端;
每个所述神经元组件的所述直接信号输出端与对应的所述输出转换器连接;每个所述神经元组件的所述间接信号输出端分别与多个所述输出转换器连接;所述输出转换器分别与对应的所述输出忆阻器连接。
优选的所述的基于星形胶质细胞的自修复控制系统,所述神经元组件的结构包括:AG模块、IP3模块、Glu模块、eSP模块和DSE模块;所述AG模块、所述IP3模块、所述Glu模块、所述eSP模块串联构成所述间接输出回路;所述AG模块与所述DSE模块串联构成所述直接输出回路。
优选的所述的基于星形胶质细胞的自修复控制系统,所述AG模块包括依次连接的信号输入单元和AG转换单元;
所述信号输入单元,用于接收控制信号,并将所述控制信号传输到所述AG转换单元中;
所述AG转换单元,分别于所述IP3模块、所述DSE模块连接,用于根据所述控制信号触发AG信号,并将所述AG信号分别传输到所述DSE模块、所述IP3模块中。
优选的所述的基于星形胶质细胞的自修复控制系统,所述IP3模块包括依次连接的IP3输入单元和IP3转换单元;
所述IP3输入单元与所述AG模块连接;
所述IP3转换单元,与所述Glu模块连接,用于根据所述AG模块的指令信号生成IP3信号,并所述IP3信号输送到所述Glu模块中。
优选的所述的基于星形胶质细胞的自修复控制系统,所述Glu模块包括依次串联的Glu忆阻器、Glu反向放大器、Glu减法器、Glu积分器、Glu同向放大器;
所述Glu忆阻器的一端与所述IP3模块连接,另一端与所述Glu反向放大器的输入端连接;所述Glu同向放大器的输出端与所述eSP模块连接。
优选的所述的基于星形胶质细胞的自修复控制系统,所述eSP模块包括依次串联的eSP加法器、eSP积分器和eSP同向放大器;所述eSP加法器的输入端与所述Glu模块连接;所述eSP同向放大器的输出端与所述间接信号输出端连接。
优选的所述的基于星形胶质细胞的自修复控制系统,所述神经元组件还包括EH模块,用于对所述eSP模块输出的间接信号进行增强。
优选的所述的基于星形胶质细胞的自修复控制系统,所述DSE模块包括DSE反向放大器,所述DSE反向放大器的输入端与AG模块连接,输出端对与所述直接信号输出端连接。
优选的所述的基于星形胶质细胞的自修复控制系统,所述加法器为运算放大器;多个所述神经元组件的直接信号输出端和间接信号输出端与所述运算放大器连接时,连接在所述运算放大器的负极输入端。
一种智能机器人手臂,使用多组任一所述的基于星形胶质细胞的自修复控制系统联同机器人控制系统工作。
相较于现有技术,本发明提供的一种基于星形胶质细胞的自修复控制系统和智能机器人手臂,具有以下有益效果:
本发明通过多个神经元组件协同对外输出控制指令,在一定的故障范围内,即使出现某一个或多个神经元组件坏损的情况,也可以通过其他健康的神经元组件使用各自的间接信号对坏损的神经元组件的控制信号进行补偿,进而保证自修复控制系统在控制输出上的完整性,保证系统正常运行。
附图说明
图1是本发明提供的基于星形胶质细胞的自修复控制系统的结构图;
图2是本发明提供的基于星形胶质细胞的自修复控制系统出现一个神经元故障时的结构图;
图3是本发明提供的一个神经元组件的电路图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请一并参阅图1-图3,本发明提供一种基于星形胶质细胞的自修复控制系统,包括多个神经元组件N1-N4、多个输出转换器(未标示)、多个输出忆阻器M1-M4;所述神经元组件N1-N4包括直接输出回路和间接输出回路;所述直接输出回路具有直接信号输出端(未示图),所述间接输出回路具有间接信号输出端(未示图);所述直接信号输出端对外输出直接信号DES1-DES4,所述间接信号输出端对外输出间接信号eSP1-eSP4;优选的,所述输出转换器包括串联的输出加法器A11-A41和输出放大器;每个所述神经元组件N1-N4接收输入控制信号u1-u4,通过所述输出忆阻器M1-M4对外输送输出控制信号u1'-u4';
每个所述神经元组件N1-N4的所述直接信号输出端与对应的所述输出转换器连接;每个所述神经元组件N1-N4的所述间接信号输出端分别与多个所述输出转换器连接;所述输出转换器分别与对应的所述输出忆阻器连接。
具体的,所述神经元组件N1-N4接收控制信号,并通过与之对应的所述加法器对外输出控制信号,实现对相应部件的控制,例如对某一个机器人的一根手指的指节进行控制;本发明提供的自修复控制系统是对星形胶质细胞的信息传导方式进行学习得到的设计思路,其中本控制系统,通过每个所述神经元组件N1-N4与所述输出转换器对应装设,实现对应装设的原理是每个所述神经元组件N1-N4的所述直接信号输出端分别与一个所述输出转换器连接;同时,每个所述神经元组件N1-N4的所述间接信号输出端与所有处于本自修复控制系统中的所述神经元组件N1-N4对应的所述输出转换器连接,构成能够在单一神经元组件N1-N4坏损的情况下,与其对应的输出转换器依然能够对外输出控制信号,使控制系统整体依然正常运转。所述自修复控制系统的运行原理如下:
假设有一个所述自修复控制系统中有n个神经元,则与此相对应的,该神经元网络中包含n个神经元对于应的n种直接信号DESi(i=1,2,3…n),n个神经元对应的n种间接信号eSPi(i=1,2,3…n),而n个所述加法器对应输出n个控制信号PRi(i=1,2,3…n),进而构成的自修复控制系统的数学模型为:
PR1=α1*DES1+eN1
PR2=α2*DES2+eN2
PR3=α3*DES3+eN3
...............................
PRn=αn*DESn+eNn
其中,αi(i=1,2,3…n)对应第i个神经元组件N1-N4直接反馈的比例系数,具有根据现场需求设定,本发明不做限定;eNi(i=1,2,3…n)为第i个的神经元的间接反馈,其值为各个神经元的加权平均值,其数学模型为:
Figure BDA0002636567600000041
其中,μij(i,j=1,2,3…n)为自修复控制系统的间接反馈权重,可表示为如下矩阵:
Figure BDA0002636567600000051
在本实施例中,可以参阅图1,构成所述自修复控制系统的数学模型如下:
Figure BDA0002636567600000052
Figure BDA0002636567600000053
由四个神经元组件(N1、N2、N3、N4)组成。基于自我修复机制,总共有八个信号,4个直接信号DSE,4个间接信号eSP,构成四个神经元的输出信号。当输出信号(直接信号/间接信号)突破输出忆阻器M1-M4的阈值(此阈值可以根据现场环境或者系统需求进行设定,本发明不做限定)时,输出忆阻器M1-M4的阻值将急剧下降,这样表示所述输出控制信号u1'-u4'可以输出到下一个装置中,其中所述输出控制信号可以近似等于所述控制信号PRi(i=1,2,3…n)。在所述自修复控制系统无损伤情况下,其运行机制如上述数学模型进行,若是其中一个所述神经元组件N1-N4(例如N1)出现损坏的情况下,则所述自修复控制系统的数学模型如下:
Figure BDA0002636567600000054
Figure BDA0002636567600000055
其中,eN*i(i=1,2,3,4)为N1神经元沉默后,受损网络中第i个神经元的新间接反馈,ωi为该神经网络中存在失效神经元时,第i个神经元间接反馈的加强权值,当部分神经元发生沉默后,eN*得到适当的补充和加强。这样,在某个神经元组件N1-N4出现损伤时,就可以通过其他健康的神经元组件N1-N4的共同作用,将损伤的信号进行修复;例如,本实施例中,四个所述神经元组件N1-N4的所述直接信号和所述间接信号均为1,其他参数数据也同样默认为1,则四个输出转换器分别输出的控制信号为均为2,若是以四个输出转换器的输出值的和为自修复控制系统的评价值,则所述自修复控制系统的评价值为8。当N1出现损伤后,那么所述自修复控制系统的评价值为6.75(若是不使用本发明提供的自修复控制系统,则评价值为6),此时将加强权值ωi进行调整,使ωi>1,则此时,可以视神经元组件N1会服部分活性,那么所述自修复控制系统的评价值就会提高到大于6.75的值,甚至接近8,完成自修复控制。
请着重参阅图3,作为优选方案,本实施例中,所述神经元组件N1-N4的结构包括:AG模块、IP3模块、Glu模块、eSP模块和DSE模块;所述AG模块、所述IP3模块、所述Glu模块、所述eSP模块串联构成所述间接输出回路;所述AG模块与所述DSE模块串联构成所述直接输出回路。
所述AG模块,用于接收控制信号并输出AG信号;
所述IP3模块,与所述AG模块连接,用于根据所述AG信号输出IP3信号;
所述Glu模块,与所述IP3模块连接,用于根据所述IP3信号输出Glu信号;
所述eSP模块,分别与所述Glu模块、所述间接信号输出端连接,用于根据所述Glu信号输出间接信号VeSP
所述DSE模块,分别与所述AG模块、所述直接信号输出端连接,用于根据所述AG信号输出直接信号Vdse
具体的,AG(Arachidonyl Glycerol,花生酰基甘油),在本发明中,AG模块以模拟星形胶质细胞产生2-AG的过程。Glu(Glutamate,谷氨酸),在本发明中Glu模块以模拟星形胶质细胞产生谷氨酸的过程。IP3(Inositol 1,4,5-Trisphosphate,肌醇1、4、5-三磷酸酯),在本发明中,IP3模块以模拟星形胶质细胞产生肌醇1、4、5-三磷酸酯的过程。
DSE(Depolarization-induced Suppression Excitation,直接反馈),DSE模块用以模拟神经元前轴突和突触后树之间的信号直接传导。eSP(间接反馈),eSP模块用以模拟神经元前轴突和突触后树之间通过星形胶质细胞的信号间接传导。
PR(release probability of synaptic transmission,表示突触传递的释放概率),在本发明中,用以表达直接信号和间接信号的综合输出,PR值大则信号综合输出高,系统的完整性高,否则相反。
作为优选方案,本实施例中,所述AG模块包括依次连接的信号输入单元(未标示)和AG转换单元;
所述信号输入单元,用于接收控制信号,并将所述控制信号传输到所述AG转换单元中,包括AG开关S1/S2,用于接收上一个神经系统或控制系统输出的控制信号u1-u4,即电压Vin
所述AG转换单元,分别于所述IP3模块、所述DSE模块连接,用于根据所述控制信号触发AG信号,并将所述AG信号分别传输到所述DSE模块、所述IP3模块中。
具体的,AG模块,用于模拟突触后神经元接收到来自突触前模的次级时释放AG,并调节AG的变化,实质是由外部传输的控制信号通过所述信号输入单元输入到所述AG转换单元,当然,应当说明的是,只有在所述控制信号超过预设值时,所述AG转换单元才会将控制信号转换成AG信号,并将所述AG信号传输到所述DSE模块和所述IP3模块。在本实施例中,所述信号输入单元,包括两个输入开关S1/S2并联形成的开关组件、AG比对电压器(输送比对电压V1)和AG忆阻器MAG,所述开关组件、所述AG比对电压器、所述AG忆阻器MAG依次串联,一般情况下,输入的控制信号为电平信号Vin,只有在所述控制信号的电压大于AG比对电压器的比对电压V1的情况下,所述AG忆阻器MAG才会导通,相应的控制信号才会传输到所述AG转换单元;所述AG转换单元,由AG减法器GA1、AG积分器GA2、AG同向放大器GA3依次串联组成,其连接关系为图3所示,其中的连接关系不限定,也可以是其他能够实现相同功能的连接方式。优选的,所述AG模块的AG信号的AG模型公式为:
Figure BDA0002636567600000071
其中,AG为AG信号;τAG为AG信号的衰减速率;ωAG为AG信号的增长速率,对应基本放大电路中的开环增益。上述AG模块的电路构造通过所述信号输入单元、所述AG转换单元配合,即可实现上述模型的产生结果。
作为优选方案,本实施例中,所述IP3模块包括依次连接的IP3输入单元(未标示)和IP3转换单元(未标示);
所述IP3输入单元与所述AG模块连接;
所述IP3转换单元,与所述Glu模块连接,用于根据所述AG模块的指令信号生成IP3信号,并所述IP3信号输送到所述Glu模块中。
具体的,IP3模块接收来自AG模块的AG信号并模拟IP3信号的产生。在本实施例中,所述IP3输入单元包括输入电阻(未标示)和IP3比对电压器(未标示,输出比对电压V2),二者之间的连接关系如图3所示,在所述AG信号(也是一电平信号)大于所述IP3比对电压器的比对电压V2时,所述AG信号输入到所述IP3转换单元;所述IP3转换单元由IP3加法器PA1、IP3反向放大器PA2、IP3积分器PA3依次串联组成,本实施例中三者间的连接关系如图3所示,所述AG信号经过所述IP3转换模块转换成IP3信号,传输到所述Glu模块中。优选的,所述IP3模块产生IP3信号的IP3模型公式为:
Figure BDA0002636567600000081
其中,IP3为IP3信号;IP3*为IP3设定阈值;τip3为IP3信号的衰减速率;γip3为IP3信号的增长速率。
作为优选方案,本实施例中,所述Glu模块包括依次连接的Glu忆阻器MGlu、Glu反向放大器GA1、Glu减法器GA2、Glu积分器GA3、Glu同向放大器GA4
所述Glu忆阻器MGlu的一端与所述IP3模块连接,另一端与所述Glu反向放大器GA1的输入端连接;所述Glu同向放大器GA4的输出端与所述eSP模块连接。
作为优选方案,本实施例中,所述eSP模块包括依次连接的eSP加法器SA1、eSP积分器SA2和eSP同向放大器SA3;所述eSP加法器SA1的输入端与所述Glu模块连接;所述eSP同向放大器SA3的输出端与所述间接信号输出端连接。
具体的,所述Glu模块和所述eSP模块的电路连接关系优选为如图3所示,当然本发明不做具体限定。所述Glu模块,用于模拟星形胶质细胞释放的谷氨酸的变化,当IP3信号突破Glu模块的阈值时,所述Glu忆阻器MGlu的电阻急剧下降;进而将所述IP3信号传输到所述Glu反向放大器GA1、所述Glu减法器GA2、所述Glu积分器GA3、所述Glu同向放大器GA4得到Glu信号。所述eSP模块,从Glu模块接收输入Glu信号并表示间接信令的作用(即对外输出间接信号)。优选的,所述Glu模块产生Glu信号的Glu模型公式为:
Figure BDA0002636567600000082
其中,Glu为Glu信号;ωGlu为Glu信号的增长速率;τGlu为Glu信号的衰减速率;IP3(t)为IP3信号。
进一步的,所述eSP模块产生eSP信号(即间接信号)的eSP模型为:
Figure BDA0002636567600000083
其中,eSP为eSP信号;τeSP为eSP信号的衰减速率;ωeSP为eSP信号的增长速率。
作为优选方案,本实施例中,所述神经元组件N1-N4还包括EH(增强)模块,用于对间接信号进行增强,得到间接增强信号Veh
具体的,一般情况下,所述eSP模块的输出端直接与所述间接信号输出端连接,但是优选方案为在所述eSP模块与所述间接信号输出端之间还包括EH模块,通过判断信号VT选择是否增强eSP信号。所述EH模块包括两个开关(S3、S4)和两个电阻(RE、RH)。VT是用于控制S3和S4状态的电压值。当VT的电压值等于2V时,这意味着在下一个小节中介绍的故障检测设备尚未检测到神经网络中的损坏,整个神经网络都是健康的。S3关闭,S4打开。EH模块的间接增强信号Veh等于
Figure BDA0002636567600000091
乘以间接信号VeSP;当VT的电压值等于0V时,S4关闭,而S3打开。输出增强信号Veh等于输入电压(即间接信号eSP),即未作处理。
作为优选方案,本实施例中,所述DSE模块包括DSE反向放大器,所述DSE反向放大器的输入端与AG模块连接,输出端对与所述直接信号输出端连接。具体的,所述DSE模块,从AG模块接收IP3信号并代表直接信令的效果,即对外输出直接信号。图中的电压Vin即所述输入控制信号,电压V1和电压V2均为比对信号,根据现场需求进行设定,本发明不做限定。优选的,所述DSE模块生成DSE信号(即直接信号)的DSE模型公式为:
DSE=KAG*AG;
其中,DSE为DSE信号;KAG为一个负数,保证DSE信号为负值,具体由根据实际需求设定。
作为优选方案,本实施例中,多个所述神经元组件N1-N4的直接信号输出端和间接信号输出端与所述加法器之间均连接有信号忆阻器。
具体的,神经元网络在PSPICE中实现,图1展示了一个正常的星形胶质细胞神经网络(自修复控制系统),它由四个神经元(N1,N2,N3和N4)组成。基于自我修复机制,总共有八个信号,4个直接信号DES1-DES4,所述间接信号输出端对外输出,4个间接信号eSP1-eSP4,构成四个神经元的输出控制信号。当输出控制信号突破所述输出忆阻器Mi(i=1,2,3,4)的阈值时,所述输出忆阻器Mi的阻值将急剧下降,这样表示该神经元可以传递神经脉冲到下一个神经元。
图2所示为含有4个神经元的受损的星形胶质细胞-神经元网络电路(自修复控制系统)。模拟神经元网络受到损伤。N1变得沉默,其突触前末端无法接收自身发出的DSE(直接信号)和eSP(间接信号),因此N1相应的输出信号PR下降。由于星形胶质细胞的存在,神经元网络能检测到故障。N1的PR可以通过其他健康神经元的间接信号来补充,从而使神经元网络恢复一定的活性。更重要的是,健康神经元的活性会通过星形胶质细胞得到增强,所以星形胶质细胞-神经元网络可以减少神经元损伤带来的影响,从而保持正常工作。
本发明还提供一种智能机器人手臂,使用多组所述的基于星形胶质细胞的自修复控制系统联同机器人控制系统工作。例如,将所述自修复控制系统应用于所述智能机器人手臂控制,每个所述加法器连接用于控制机器人的每根手指,在现有技术中,当控制一根手指的线路受损后,则此手指将不能继续使用,或者更换相应的控制连接装置才能正常使用,但是使用本发明提供的自修复控制系统在其中一个所述神经元组件N1-N4损坏的情况下,通过其他正常的所述神经元组件N1-N4就可以间接保证此手指的正常使用,完成相应的控制动作。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于星形胶质细胞的自修复控制系统,其特征在于,包括多个神经元组件、多个输出转换器、多个输出忆阻器;所述神经元组件包括直接输出回路和间接输出回路;所述直接输出回路具有直接信号输出端,所述间接输出回路具有间接信号输出端;
每个所述神经元组件的所述直接信号输出端与对应的所述输出转换器连接;每个所述神经元组件的所述间接信号输出端分别与多个所述输出转换器连接;所述输出转换器分别与对应的所述输出忆阻器连接。
2.根据权利要求1所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述神经元组件的结构包括:AG模块、IP3模块、Glu模块、eSP模块和DSE模块;所述AG模块、所述IP3模块、所述Glu模块、所述eSP模块串联构成所述间接输出回路;所述AG模块与所述DSE模块串联构成所述直接输出回路。
3.根据权利要求2所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述AG模块包括依次连接的信号输入单元和AG转换单元;
所述信号输入单元,用于接收控制信号,并将所述控制信号传输到所述AG转换单元中;
所述AG转换单元,分别于所述IP3模块、所述DSE模块连接,用于根据所述控制信号触发AG信号,并将所述AG信号分别传输到所述DSE模块、所述IP3模块中。
4.根据权利要求2所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述IP3模块包括依次连接的IP3输入单元和IP3转换单元;
所述IP3输入单元与所述AG模块连接;
所述IP3转换单元,与所述Glu模块连接,用于根据所述AG模块的指令信号生成IP3信号,并所述IP3信号输送到所述Glu模块中。
5.根据权利要求2所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述Glu模块包括依次串联的Glu忆阻器、Glu反向放大器、Glu减法器、Glu积分器、Glu同向放大器;
所述Glu忆阻器的一端与所述IP3模块连接,另一端与所述Glu反向放大器的输入端连接;所述Glu同向放大器的输出端与所述eSP模块连接。
6.根据权利要求2所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述eSP模块包括依次串联的eSP加法器、eSP积分器和eSP同向放大器;所述eSP加法器的输入端与所述Glu模块连接;所述eSP同向放大器的输出端与所述间接信号输出端连接。
7.根据权利要求2所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述神经元组件还包括EH模块,用于对所述eSP模块输出的间接信号进行增强。
8.根据权利要求1所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述DSE模块包括DSE反向放大器,所述DSE反向放大器的输入端与AG模块连接,输出端对与所述直接信号输出端连接。
9.根据权利要求8所述的基于星形胶质细胞的自修复控制系统,其特征在于,所述加法器为运算放大器;多个所述神经元组件的直接信号输出端和间接信号输出端与所述运算放大器连接时,连接在所述运算放大器的负极输入端。
10.一种智能机器人手臂,其特征在于,使用多组权利要求1-9任一所述的基于星形胶质细胞的自修复控制系统联同机器人控制系统工作。
CN202010826971.7A 2020-08-17 2020-08-17 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂 Pending CN111958599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826971.7A CN111958599A (zh) 2020-08-17 2020-08-17 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826971.7A CN111958599A (zh) 2020-08-17 2020-08-17 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂

Publications (1)

Publication Number Publication Date
CN111958599A true CN111958599A (zh) 2020-11-20

Family

ID=73388154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826971.7A Pending CN111958599A (zh) 2020-08-17 2020-08-17 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂

Country Status (1)

Country Link
CN (1) CN111958599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600665A (zh) * 2022-11-16 2023-01-13 湖南师范大学(Cn) 一种基于vta-da神经元的忆阻自修复神经网络电路

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763901A (zh) * 2008-12-23 2010-06-30 上海芯豪微电子有限公司 在片自测试自修复方法
US20120011091A1 (en) * 2010-07-07 2012-01-12 Qualcomm Incorporated Methods and systems for cmos implementation of neuron synapse
CN102360566A (zh) * 2011-08-11 2012-02-22 复旦大学 一种sram编程点抗幅照加固方法及其实现电路
CN106845634A (zh) * 2016-12-28 2017-06-13 华中科技大学 一种基于忆阻器件的神经元电路
US20180174035A1 (en) * 2013-05-06 2018-06-21 Knowmtech, Llc Universal machine learning building block
CN109165731A (zh) * 2018-08-09 2019-01-08 清华大学 电子神经网络及其参数设置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763901A (zh) * 2008-12-23 2010-06-30 上海芯豪微电子有限公司 在片自测试自修复方法
US20120011091A1 (en) * 2010-07-07 2012-01-12 Qualcomm Incorporated Methods and systems for cmos implementation of neuron synapse
CN102360566A (zh) * 2011-08-11 2012-02-22 复旦大学 一种sram编程点抗幅照加固方法及其实现电路
US20180174035A1 (en) * 2013-05-06 2018-06-21 Knowmtech, Llc Universal machine learning building block
CN106845634A (zh) * 2016-12-28 2017-06-13 华中科技大学 一种基于忆阻器件的神经元电路
CN109165731A (zh) * 2018-08-09 2019-01-08 清华大学 电子神经网络及其参数设置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG RUI ETC.: "《Synaptic Suppression Triplet-STDP Learning Rule Realized in Second-Order Memristors》", 《ADVANCED FUNCTIONAL MATERIALS》, 28 December 2018 (2018-12-28), pages 1 - 10 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600665A (zh) * 2022-11-16 2023-01-13 湖南师范大学(Cn) 一种基于vta-da神经元的忆阻自修复神经网络电路
CN115600665B (zh) * 2022-11-16 2024-04-09 湖南师范大学 一种基于vta-da神经元的忆阻自修复神经网络电路

Similar Documents

Publication Publication Date Title
Hunsberger et al. Spiking deep networks with LIF neurons
US11126913B2 (en) Methods and systems for implementing deep spiking neural networks
US10671911B2 (en) Current mirror scheme for an integrating neuron circuit
GB2251328A (en) Multi-layer neural network employing multiplexed output neurons
CN111882064B (zh) 基于忆阻器实现脉冲神经网络竞争学习机制的方法及系统
CN111958599A (zh) 一种基于星形胶质细胞的自修复控制系统和智能机器人手臂
Malik Artificial neural networks and their applications
Jung et al. Pattern classification of back-propagation algorithm using exclusive connecting network
KR102366783B1 (ko) 뉴로모픽 시스템 및 뉴로모픽 시스템의 동작방법
Sobchuk et al. Ensuring the Properties of Functional Stability of Manufacturing Processes Based on the Application of Neural Networks.
US7962429B2 (en) Neuromorphic device for proofreading connection adjustments in hardware artificial neural networks
Sagar et al. Evolutionary algorithm for optimal connection weights in artificial neural networks
JPH11338844A (ja) 発火数制御型神経回路装置
Zhao et al. A circuit implementation method for memristor crossbar with on-chip training
US20230289582A1 (en) Neuron circuit with synaptic weight learning
KR102514656B1 (ko) 스파이킹 뉴럴 네트워크 제공 장치 및 그 동작 방법
CA2898216A1 (en) Methods and systems for implementing deep spiking neural networks
Chen et al. Optimizing Supervised Learning of Deep Spiking Neural Network towards Memristor Crossbar Implementation
Pérez et al. Reward-modulated learning using spiking neural networks for vehicle lateral control
Boné et al. Time delay learning by gradient descent in recurrent neural networks
Schuman The effect of biologically-inspired mechanisms in spiking neural networks for neuromorphic implementation
WO2023090597A1 (ko) 스파이크 신호를 병렬처리하는 뉴로모픽 장치
Akash Artificial intelligence & neural networks
Ярошевич An overview of neural networks structure and properties
Uwate et al. Effectiveness of artificial neural network with time-varying coupling system

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221230