[發(fā)明專利]一種基于DGSOM神經(jīng)網(wǎng)絡(luò)的RatSLAM算法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710290162.7
• 申請(qǐng)日: 2017-04-28
• 公開（公告）號(hào): CN107122827A
• 公開（公告）日: 2017-09-01
• 發(fā)明（設(shè)計(jì)）人: 許曈;陳孟元;凌有鑄
• 申請(qǐng)（專利權(quán)）人: 安徽工程大學(xué)
• 主分類號(hào): G06N3/06
• 分類號(hào): G06N3/06;G06N3/08
• 代理公司: 馬鞍山市金橋?qū)＠碛邢薰?4111
• 代理人: 楊濤

技術(shù)領(lǐng)域

本發(fā)明涉及涉及仿生學(xué)、神經(jīng)網(wǎng)絡(luò)與機(jī)器視覺領(lǐng)域，尤其涉及一種基于鼠類模型和DGSOM神經(jīng)網(wǎng)絡(luò)的同步定位與地圖構(gòu)建方法。

背景技術(shù)

在生物神經(jīng)系統(tǒng)中，存在著一種側(cè)抑制現(xiàn)象，一個(gè)神經(jīng)細(xì)胞的興奮會(huì)對(duì)周圍其他神經(jīng)細(xì)胞產(chǎn)生抑制作用，這種抑制作用會(huì)使神經(jīng)細(xì)胞之間出現(xiàn)競(jìng)爭(zhēng)，造成神經(jīng)細(xì)胞的興奮或抑制。

1982年芬蘭Helsink大學(xué)的T.Kohonen教授基于這種現(xiàn)象提出一種自組織特征圖(Self-Organizing Feature Map,SOM)并引入贏者通吃(Winner Take All,WTA)理論，研究者們基于該模型的缺陷進(jìn)行了改進(jìn)。

1993年Martinetz等提出一種神經(jīng)氣(Neural Gas，NG)模型提高了網(wǎng)絡(luò)自組織學(xué)習(xí)過程的效率。

2004年尹峻松等為克服SOM孤立學(xué)習(xí)與噪聲敏感等缺陷,結(jié)合一氧化氮(NO)擴(kuò)散機(jī)理,在SOM網(wǎng)中引入時(shí)間增強(qiáng)機(jī)制，提出一種新型擴(kuò)散的自組織模型(Diffusing Self-Organizing Maps，DSOM)。

2009年王春東等將SOM理論運(yùn)用于信息學(xué)，利用灰色關(guān)聯(lián)系數(shù)(GRC，grey relational coefficient)調(diào)整權(quán)重檢測(cè)拒絕服務(wù)攻擊(deny of service,DOS)。

2011年于乃功等將可增長(zhǎng)特征映射圖(growing self-organizing feature map,GSOM)融入雙目立體視覺，通過自組織拓?fù)浣Y(jié)構(gòu)避免了傳統(tǒng)SOM網(wǎng)需大量實(shí)驗(yàn)才能確定的初始網(wǎng)絡(luò)結(jié)構(gòu)。

基于生理學(xué)和腦科學(xué)研究成果提出的SOM神經(jīng)網(wǎng)絡(luò)仿生優(yōu)化方法能夠通過學(xué)習(xí)自主繪制出拓?fù)涞貓D，但需通過大量的嘗試確定其初始網(wǎng)絡(luò)結(jié)構(gòu)，效率較低。

發(fā)明內(nèi)容

本發(fā)明在GSOM神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上引入了方向參數(shù)和特征參數(shù)構(gòu)成動(dòng)態(tài)增長(zhǎng)自組織特征圖(dynamic growing self-organizing feature map，DGSOM)，并應(yīng)用于澳大利亞Milford等提出的RatSLAM模型中。具體是使用一種方向信息和特征信息構(gòu)建動(dòng)態(tài)增長(zhǎng)自組織特征網(wǎng)DGSOM以避免初始網(wǎng)絡(luò)結(jié)構(gòu)的計(jì)算，并將該神經(jīng)網(wǎng)絡(luò)應(yīng)用于RatSLAM中的視覺細(xì)胞中。

一種基于DGSOM神經(jīng)網(wǎng)絡(luò)的RatSLAM算法，包括如下步驟：

1)創(chuàng)建DGSOM網(wǎng)絡(luò)；

2)計(jì)算權(quán)值向量與輸入的距離；

3)決定最佳匹配單元；

4)調(diào)節(jié)神經(jīng)元的權(quán)重；

5)構(gòu)建一個(gè)新的神經(jīng)元；

6)將DGSOM模型應(yīng)用于RatSLAM中。

優(yōu)選的，所述步驟1)進(jìn)一步包括：引入輸入神經(jīng)元C＝＜D,F＞，其中D表示神經(jīng)元方向，F(xiàn)表示神經(jīng)元特征。如圖2所示是DGSOM模型神經(jīng)元的創(chuàng)建過程，其中第3個(gè)神經(jīng)元是競(jìng)爭(zhēng)出的勝者，第m+1個(gè)神經(jīng)元是新產(chǎn)生的神經(jīng)元。

優(yōu)選的，所述步驟2)進(jìn)一步包括：在第k個(gè)輸入v^k平面中，到每一個(gè)神經(jīng)元i的距離d_i可由已知的m個(gè)神經(jīng)元計(jì)算得出，現(xiàn)有計(jì)算距離的方法有曼哈頓距離、歐氏距離等，這里采用歐幾里得距離：

d_min＝min(d_i)

其中，輸入神經(jīng)元c^k＝[ω₁^k,...,ω_i^k,...,ω_m^k]^T，權(quán)向量ω_ij＝[ω_1j,...,ω_ij,...,ω_mj]^T。

優(yōu)選的，所述步驟3)進(jìn)一步包括：通過引入閾值參數(shù)α判定是否需引入新的神經(jīng)元，決定最佳匹配單元的具體算法為：

優(yōu)選的，所述步驟4)進(jìn)一步包括：對(duì)于新引入的神經(jīng)元，有

ω_ij^t+1＝c_ij^k

對(duì)于已引入的神經(jīng)元有

其中，且β₀賦初值0.1，ρ為允許在神經(jīng)單元i處創(chuàng)建的新節(jié)點(diǎn)數(shù)目，且權(quán)重需滿足約束條件||ω_ij||≤1。