[发明专利]一种仿生智能控制方法

权利要求书

1.一种仿生智能控制方法，其特征在于，从仿生角度模拟生物的感觉运动神经系统，并将操作条件反射机理融入感觉运动系统的设计中，使系统能够较好地模拟生物自学习行为；所述方法包括以下步骤：

步骤1，构建感知运动系统的神经网络模型，确定感知层、隐层及运动层等各层神经元数量，令权值矩阵W1、W2在[0,1]上随机取值，确定初始感知状态，设定学习速率；

采用3层前馈神经网络N³[l,m,n]表达感知及运动之间的关系；输入层包含l个神经元，以编码形式表征所感知到的信息，构成所谓“感知层”；隐含层包含m个神经元，对感知层传输的信息进行计算和处理；隐含层及输入层与隐含层之间两个权值矩阵W1、W2，从功能上模拟生物感知运动系统中的信息处理中枢；输出层包含n个神经元，代表动作集合中的n个动作，构成“运动层”；信息按前馈方式传播，经感知层、隐含层、运动层前向流动，实现从感知到运动的映射关系；

步骤2，将当前状态的感知信息输入感知层；

步骤3，按照前馈神经网络的工作算法计算从感知到运动的映射；

步骤3.1，计算感知层输出，公式如下：

si*=si]]>

式中，s_i和分别为感知层第i个神经元的输入和输出；

步骤3.2，计算隐层输出，公式如下：

hj=Σiwijsi*]]>

hj*=11+e-hj]]>

式中，h_j和分别为隐含层第j个神经元的输入和输出，w_ij表示感知层第i个神经元与隐层第j个神经元之间的连接权值；

步骤3.3，计算运动层输出，公式如下：

mo=Σjwjohj*]]>

mo*=mo]]>

式中，m_o和分别为运动层第o个神经元的输入和输出，w_jo表示隐层第j个神经元与运动层第o个神经元之间的连接权值；

步骤4，根据运动层输出，计算动作集合概率，公式如下：

po=|mo*|Σo|mo*|]]>

式中，p_o表示第o个动作对应的概率，表示求的绝对值；

步骤5，按照“胜者全拿”的原则执行概率最大的动作；

步骤6，计算动作执行后的状态转移，记录新状态；

步骤7，计算状态转移前后的负理想度值之差；

所谓负理想度是对感知信息对应的状态进行评估的一个概念；在给定的应用情境中，当感知信息对应的状态与理想状态之间的差距越大，负理想度值就会越大，反之则越小；设动作执行前状态为s_old，执行后状态为s_new，负理想度函数为ε，则状态转移前后的负理想度值之差为：

Δε＝ε(s_new)-ε(s_old)

步骤8，计算取向函数值；

步骤9，参照负梯度下降误差反传算法调整权值；

步骤10，令新状态为当前状态；

步骤11，判断是否满足结束条件，如果满足，则结束；否则，转步骤2。