[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

说明书

本发明提供的一种基于秀丽线虫脉冲神经网络模型的环境感知方法，通过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；模拟所述秀丽线虫神经系统中的神经元的连接关系，构建初始秀丽线虫脉冲神经网络模型；使用优化的遗传算法，通过设置交叉概率，并以目标序列为学习目标迭代训练初始秀丽线虫脉冲神经网络模型，以使模型以学习输入序列的特征，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，从而确定生物机器人的感知模型，用于感知环境信息。由于本发明的脉冲神经元模型满足生物神经元随时间动态变化的特点，有比较高的生物合理性，并且该模型的传递函数较为简单，计算量大幅减小。

技术领域

本发明属于智能技术领域，具体涉及一种基于秀丽线虫脉冲神经网络模型的环境感知方法。

背景技术

生物机器人作为一种微型的机器人经常被应用于获知大自然环境信息以及进入一些大型、中型或者小型生物无法进入的环境中实现感知周围环境的目的。

现有的生物机器人经常使用神经网络模型学习微生物的特征，然后模拟生物的一些行为实现伪装感知周围环境。神经网络被认为是推动人工智能发展的主要动力，从最开始的感知机发展到如今最流行的深度神经网络。在深度神经网络中目前广泛使用的神经元模型为M-P神经元模型，这种神经元模型是一个多输入单输出的结构，并且在深度神经网络中，一般都使用前馈连接的网络结构，将生物神经网络中复杂的信息传递简化为层级传递的方式。

然而，深度神经网络模型依然无法比较准确地模拟生物神经系统的运作机制。主要原因有两点：一是生物神经系统本身是一个极为复杂的动力系统，具有拓扑结构复杂、高度非线性和动态变化等特性，其运作的详细机制目前并没有得到充分的认识和理解；二是实际生物的神经元状态会随着时间变化，生物神经元并不是层级传递现代神经网络并没有完全模拟生物神经系统的特点。因此现有技术使用的神经网络模型建立的生物机器人并不能准确模拟生物的行为，不利于感知环境信息。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于秀丽线虫脉冲神经网络模型的环境感知方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供的一种基于秀丽线虫脉冲神经网络模型的环境感知方法，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，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，秀丽线虫脉冲神经网络架构中神经元个数与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秀丽线虫的神经元数据的神经元连接方式相同；

步骤3：将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参数搜索空间要求以及在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，迭代训练初始秀丽线虫脉冲神经网络模型，以使初始秀丽线虫脉冲神经网络模型以学习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。

可选的，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；