[发明专利]一种基于秀丽线虫脉冲神经网络模型的环境感知方法

权利要求书

1.一种基于秀丽线虫脉冲神经网络模型的环境感知方法，其特征在于，包括：

步骤1：获取秀丽线虫的神经系统数据、输入状态序列以及目标序列；

其中，所述神经系统数据包括神经元个数、神经元类型以及神经元之间的连接关系；

步骤2：模拟所述秀丽线虫神经系统中的神经元的连接关系，构建秀丽线虫脉冲神经网络模型架构以及所述架构的初始参数，得到初始秀丽线虫脉冲神经网络模型；

其中，所述秀丽线虫脉冲神经网络架构中神经元个数与所述神经元数据中的神经元个数相同、秀丽线虫脉冲神经网络模型架构的神经元之间存在一个参数，神经元的连接方式与所述秀丽线虫的神经元数据的神经元连接方式相同；

步骤3：将所述输入状态序列输入至初始秀丽线虫脉冲神经网络模型中，使用优化的遗传算法，通过设置在训练初期的满足能所述参数搜索空间要求以及在所述训练后期的交叉概率衰减降低遗传算法中个体个数的交叉概率，以目标序列为学习目标，迭代训练所述初始秀丽线虫脉冲神经网络模型，以使所述初始秀丽线虫脉冲神经网络模型以学习所述输入状态序列的特征，直至达到最大进化代数，获得训练完成的秀丽线虫脉冲神经网络模型；

步骤4：将训练完成的秀丽线虫脉冲神经网络模型确定为生物机器人的感知模型，用于感知环境信息。

2.根据权利要求1所述的环境感知方法，其特征在于，所述步骤2包括：

步骤21：设置秀丽线虫脉冲神经网络模型的第一神经元，以使第一神经元与所述神经系统中的第二神经元一一对应；

步骤22：针对每个第二神经元，确定该第二神经元与其他第二神经元的连接方式；

步骤23：针对与第二神经元对应的第一神经元，将该第一神经元与其他第一神经元的连接方式与所述第二神经元与其他第二神经元连接方式相同，得到初始秀丽线虫脉冲神经网络模型架构；

步骤24：模拟所述神经系统中的参数，设置所述初始秀丽线虫脉冲神经网络模型架构的初始参数。

3.根据权利要求1所述的环境感知方法，其特征在于，所述步骤3包括：

步骤31：将所述输入状态序列输入至初始秀丽线虫脉冲神经网络模型，将所述目标序列作为所述初始秀丽线虫脉冲神经网络模型的学习目标，获得输出序列；

步骤32：对所述初始秀丽线虫脉冲神经网络模型中的每个参数进行基因编码，获得每个参数的基因编码序列；

步骤33：将所述初始秀丽线虫脉冲神经网络模型的输出序列与所述目标序列的差异函数作为评价函数；

步骤34：设置遗传算法的遗产参数；

其中，遗传参数包括：初始种群数目L、最大进化代数G、变异概率σ、初始交叉概率γ和交叉概率衰减系数δ；

步骤35：随机生成L个个体作为初始种群P₀；

其中，每个个体代表所述初始秀丽线虫脉冲神经网络模型中的所有基因编码序列；

步骤36：对所述初始种群P₀中每两个个体以交叉概率γ进行交叉，将交叉后获得的子代加入所述初始种群P₀中，当存在个体突变时，将突变后的个体加入所述初始种群P₀，获得交叉变异之后的种群；

步骤37：将所述交叉变异之后的种群中的个体按照适应度进行从大到小排序，选择前L个个体组成新的种群；

步骤38：重复步骤36至步骤37，直至种群的进化代数达到最大进化代数；

步骤39：在达到最大进化代数的种群中按照适应度选择个体对应的参数作为初始秀丽线虫脉冲神经网络模型的参数，获得训练完成的秀丽线虫脉冲神经网络模型。

4.根据权利要求3所述的环境感知方法，其特征在于，所述步骤31包括：

步骤311：构建所述初始秀丽线虫脉冲神经网络模型中神经元的传递函数；

步骤312：将所述输入状态序列输入至初始秀丽线虫脉冲神经网络模型，将所述目标序列作为所述初始秀丽线虫脉冲神经网络模型的学习目标；

步骤313：根据所述传递函数，确定所述初始秀丽线虫脉冲神经网络模型在学习过程中激活的神经元以及未激活的神经元；

步骤314：获得所述初始秀丽线虫脉冲神经网络模型的激活的神经元传递学习特征后得到的输出序列。