許曈，凌有鑄，陳孟元

(安徽工程大學(xué) 安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000)

一種融合DGSOM神經(jīng)網(wǎng)絡(luò)的仿生算法研究

許曈，凌有鑄，陳孟元

(安徽工程大學(xué) 安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000)

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)，無法保證系統(tǒng)的實(shí)時(shí)性。提出一種方向信息和特征信息構(gòu)建的動(dòng)態(tài)增長自組織特征網(wǎng)DGSOM，通過引入方向參數(shù)減少網(wǎng)絡(luò)的訓(xùn)練次數(shù)，降低了系統(tǒng)復(fù)雜度，通過引入特征參數(shù)避免了感知混淆，并將該神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于澳大利亞Milford等提出的RatSLAM模型中。實(shí)驗(yàn)表明，提出的DGSOM-RatSLAM模型通過減少視覺細(xì)胞的數(shù)量降低系統(tǒng)的復(fù)雜度；通過視覺細(xì)胞的場(chǎng)景匹配實(shí)驗(yàn)和位姿細(xì)胞的活性狀態(tài)實(shí)驗(yàn)證明該模型能夠更快地實(shí)現(xiàn)閉環(huán)檢測(cè)，提出的DGSOM-RatSLAM模型的準(zhǔn)確率、召回率及F1值分別為94.74%、86.88%和90.64%，高斯噪聲干擾下Gauss-DGSOM-RatSLAM模型的準(zhǔn)確率、召回率及F1值分別為86.70%、80.25%、83.35%。

RatSLAM模型；DGSOM神經(jīng)網(wǎng)絡(luò)；同步定位與地圖構(gòu)建；閉環(huán)檢測(cè)；準(zhǔn)確率；召回率

中文引用格式：許曈，凌有鑄，陳孟元.一種融合DGSOM神經(jīng)網(wǎng)絡(luò)的仿生算法研究[J]. 智能系統(tǒng)學(xué)報(bào)， 2017, 12(3): 405-412.

英文引用格式：XU Tong， LING Youzhu， CHEN Mengyuan. A bio-inspired algorithm integrated with DGSOM neural network[J]. CAAI transactions on intelligent systems, 2017, 12(3): 405-412.

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)，從而造成神經(jīng)細(xì)胞的興奮或抑制。1982年芬蘭Helsink大學(xué)的T.Kohonen教授[1]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，該仿生優(yōu)化方法通過學(xué)習(xí)能夠自主繪制出拓?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)，無法保證系統(tǒng)的實(shí)時(shí)性能，研究者們基于該模型的缺陷進(jìn)行了改進(jìn)。1993年Martinetz等[2]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[3]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，提出了一種新型擴(kuò)散的自組織模型(diffusing self-organizing maps，DSOM)。2009年王春東等[4]將SOM理論運(yùn)用于信息學(xué)，利用灰色關(guān)聯(lián)系數(shù)(grey relational coefficient，GRC)調(diào)整權(quán)重，檢測(cè)拒絕服務(wù)攻擊(denial of service, DOS)。2011年于乃功等[5]將可增長特征映射圖(growing self-organizing 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)。本文以GSOM神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)引入了方向參數(shù)和特征參數(shù)構(gòu)成的動(dòng)態(tài)增長自組織特征圖(dynamic growing self-organizing feature map，DGSOM)，并應(yīng)用于澳大利亞Milford等[6-9]提出的RatSLAM模型中。

1 RatSLAM模型

由于傳感器和環(huán)境的不確定性，移動(dòng)機(jī)器人利用概率解決同步定位與地圖構(gòu)建問題。其中，卡爾曼濾波、極大期望估計(jì)和粒子濾波3種概率算法是當(dāng)前移動(dòng)機(jī)器人SLAM的核心技術(shù)，其通過專用網(wǎng)格或拓?fù)涞貓D的方式進(jìn)行環(huán)境描述，這些研究成果在仿真和限定條件下能夠取得良好效果，但難以兼顧實(shí)際環(huán)境，且存在計(jì)算量大、搜索時(shí)間長、易于陷入局部最優(yōu)解等問題。

鼠類是生物醫(yī)學(xué)研究最多的動(dòng)物之一[10-11]，人們對(duì)于其導(dǎo)航、環(huán)境探索和真實(shí)神經(jīng)機(jī)制的模擬理解得很好，因此鼠類成為科學(xué)家們創(chuàng)造生物系統(tǒng)人工模型的原型。

經(jīng)過不斷的研究探索，Milford等提出一種基于鼠類導(dǎo)航細(xì)胞的擴(kuò)展海馬模型RatSLAM，該模型包括位姿細(xì)胞、視覺細(xì)胞以及經(jīng)驗(yàn)圖3部分,通過一維頭方向細(xì)胞和二維位置細(xì)胞合并形成的三維位姿細(xì)胞表征當(dāng)前位置，利用一維視覺細(xì)胞在環(huán)境中學(xué)習(xí)獨(dú)特場(chǎng)景，通過位姿細(xì)胞和視覺細(xì)胞鏈路編碼共同構(gòu)建拓?fù)浠慕?jīng)驗(yàn)圖，其經(jīng)驗(yàn)E包含關(guān)于視覺細(xì)胞V、位姿細(xì)胞P和位置間拓?fù)潢P(guān)系d，定義E=〈V,P,d〉。

1.1 位姿細(xì)胞的活性狀態(tài)變化

創(chuàng)建的興奮度權(quán)重矩陣εabc和由于興奮性使位姿感知細(xì)胞活動(dòng)產(chǎn)生的變化ΔPx′y′θ′如式(1)和式(2)所示：

式中：kx′y′和kθ′分別為位姿感知細(xì)胞平面(x′,y′)和θ′維中對(duì)應(yīng)著興奮性一維分布的方差常數(shù)；a、b、c分別為x′、y′、θ′的分布系數(shù)；Nx′、Ny′、Nθ′分別為(x′,y′,θ′)空間中的位姿感知細(xì)胞三維矩陣元素；抑制常數(shù)φ控制全局抑制水平，使興奮度被限制在非負(fù)范圍內(nèi)。

1.2 視覺細(xì)胞的場(chǎng)景學(xué)習(xí)及位姿關(guān)聯(lián)

視覺細(xì)胞關(guān)聯(lián)下的位姿細(xì)胞網(wǎng)絡(luò)活性如式(4)所示：

式中δ為視覺校準(zhǔn)加強(qiáng)常數(shù)。

1.3 經(jīng)歷圖的構(gòu)建

經(jīng)驗(yàn)E、編碼位姿細(xì)胞P、視覺細(xì)胞V和經(jīng)歷間的拓?fù)潢P(guān)系d如式(5)所示：

拓?fù)潢P(guān)系d如式(6)所示：

式中：α為學(xué)習(xí)常量；Nf是從經(jīng)歷i到其他經(jīng)歷的轉(zhuǎn)移個(gè)數(shù)；Nt是從其他經(jīng)歷到經(jīng)歷i的轉(zhuǎn)移個(gè)數(shù)。實(shí)驗(yàn)表明，學(xué)習(xí)常量α取0.5可使構(gòu)建的地圖收斂到一個(gè)穩(wěn)定的狀態(tài)，模型如圖1所示。

圖1 RatSLAM模型Fig.1 RatSLAM model

2 DGSOM算法下的RatSLAM模型

神經(jīng)科學(xué)研究表明，視覺皮層與其海馬腦區(qū)的細(xì)胞存在競(jìng)爭(zhēng)性輸入[12-13]，而傳統(tǒng)的SOM算法[14-19]為確定初始網(wǎng)絡(luò)結(jié)構(gòu)需進(jìn)行大量復(fù)雜的運(yùn)算。本文提出一種具有神經(jīng)元方向和特征的DGSOM神經(jīng)網(wǎng)絡(luò)模型，通過引入方向參數(shù)減少學(xué)習(xí)次數(shù)從而降低系統(tǒng)的復(fù)雜度，通過引入特征參數(shù)避免感知混淆，將該模型應(yīng)用于RatSLAM模型中以改進(jìn)現(xiàn)有基于鼠類海馬體導(dǎo)航機(jī)制的細(xì)胞導(dǎo)航模型。

視覺細(xì)胞特征如式(7)所示：

位姿細(xì)胞特征如式(8)所示：

1) 創(chuàng)建DGSOM網(wǎng)絡(luò)

引入輸入神經(jīng)元C=〈D,F〉，DGSOM模型神經(jīng)元的創(chuàng)建過程如圖2所示，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。

圖2 DGSOM模型神經(jīng)元的創(chuàng)建過程Fig.2 Neurons created in DGSOM model

2)計(jì)算權(quán)值向量與輸入的距離

在第k個(gè)輸入vk平面中，到每一個(gè)神經(jīng)元i的距離di可由已知的m個(gè)神經(jīng)元計(jì)算得出，可選取的方法包括曼哈頓距離、歐氏距離、徑向基等，這里采用輸入樣本與獲勝神經(jīng)元連接強(qiáng)度的歐氏距離進(jìn)行判斷，計(jì)算方法如式(9)和式(10)所示：

3)獲取最佳匹配單元

通過引入閾值參數(shù)α選擇是否需引入新的神經(jīng)元，獲取最佳匹配單元的數(shù)學(xué)模型，如式(11)所示：

4) 調(diào)節(jié)神經(jīng)元的權(quán)重

新引入的神經(jīng)元如式(12)所示：

已引入的神經(jīng)元如式(13)所示：

5) 構(gòu)建一個(gè)新的神經(jīng)元

通過移動(dòng)機(jī)器人在環(huán)境中探索，重復(fù)過程1)～4),構(gòu)建一個(gè)新的神經(jīng)元。

6) 將DGSOM模型應(yīng)用于RatSLAM

DGSOM下的RatSLAM模型如圖3所示。通過攝像頭獲取局部場(chǎng)景，利用視覺里程計(jì)信息整合至位姿細(xì)胞從而影響經(jīng)歷圖的構(gòu)建；融合DGSOM神經(jīng)網(wǎng)絡(luò)模型的視覺細(xì)胞，一方面對(duì)位姿細(xì)胞進(jìn)行視覺關(guān)聯(lián)，另一方面直接影響經(jīng)歷圖的構(gòu)建。

圖3 融入DGSOM神經(jīng)網(wǎng)絡(luò)的RatSLAM模型Fig.3 RatSLAM model with DGSOM neural network

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)通過如圖4所示的“旅行家Ⅱ號(hào)”輪式機(jī)器人攝像頭模塊進(jìn)行局部場(chǎng)景的采集，將采集的圖像傳至上位機(jī)并通過MATLAB進(jìn)行算法分析驗(yàn)證。實(shí)驗(yàn)選取的室內(nèi)場(chǎng)景如圖5所示。

圖4 “旅行家Ⅱ號(hào)”輪式機(jī)器人Fig.4 The wheeled mobile robot Voyager Ⅱ

圖5 實(shí)驗(yàn)場(chǎng)景Fig.5 Experiments scene

3.2 實(shí)驗(yàn)結(jié)果與分析

1)改進(jìn)前后RatSLAM模型中位姿細(xì)胞的活性轉(zhuǎn)移過程及DGSOM-RatSLAM模型的實(shí)時(shí)性驗(yàn)證實(shí)驗(yàn)

位姿細(xì)胞的位姿轉(zhuǎn)移過程如圖6所示，每組3幅圖分別表示攝像頭實(shí)際讀取的圖像信息、RatSLAM模型中位姿感知細(xì)胞活性狀態(tài)信息以及DGSOM-RatSLAM模型位姿感知細(xì)胞活性狀態(tài)信息；圖6(a)～(i)所示的過程表示移動(dòng)機(jī)器人在18～23 s時(shí)位姿細(xì)胞的活性轉(zhuǎn)移過程。從圖6所示的組圖中可以看出，隨時(shí)間推移，RatSLAM模型和DGSOM-RatSLAM模型的位姿細(xì)胞左側(cè)活性強(qiáng)度逐漸降低，中間及右側(cè)活性強(qiáng)度逐漸增加；文獻(xiàn)[6]證明了RatSLAM模型在一天中的不同時(shí)段都能對(duì)同一場(chǎng)景實(shí)現(xiàn)閉環(huán)檢測(cè)，但如圖6(j)～(l)所示，該模型無法在場(chǎng)景重現(xiàn)的第一時(shí)間(67 s時(shí)刻)進(jìn)行閉環(huán)檢測(cè)，而改進(jìn)后的DGSOM-RatSLAM模型能夠在這一時(shí)刻及時(shí)地辨識(shí)出先前出現(xiàn)的場(chǎng)景，實(shí)現(xiàn)閉環(huán)檢測(cè)，其改進(jìn)模型的實(shí)時(shí)性得到了驗(yàn)證。

圖6 兩種模型位姿細(xì)胞活性轉(zhuǎn)移過程Fig.6 The transfer of pose cells activity in two nodels

2)RatSLAM模型與DGSOM-RatSLAM模型的定性分析

RatSLAM模型與融入DGSOM神經(jīng)網(wǎng)絡(luò)的RatSLAM模型的性能對(duì)比如圖7所示，相比于現(xiàn)有的RatSLAM模型，DGSOM-RatSLAM模型采集相同場(chǎng)景時(shí)所需視覺細(xì)胞的個(gè)數(shù)更少，能夠更快地進(jìn)行場(chǎng)景重定位且匹配效果更佳。

圖7 RatSLAM模型與DGSOM-RatSLAM模型性能對(duì)比Fig.7 Performance comparison between RatSLAM and DGSOM-RatSLAM

3)高斯噪聲干擾下的RatSLAM模型與DGSOM-RatSLAM模型的定性分析

為進(jìn)一步驗(yàn)證DGSOM-RatSLAM模型的有效性，給所需處理的圖像添加隨機(jī)高斯噪聲，其中正態(tài)分布的均值μ取0，標(biāo)準(zhǔn)差σ取隨機(jī)值[0.02,0.08]。高斯噪聲干擾下的RatSLAM模型與DGSOM-RatSLAM模型性能對(duì)比如圖8所示，相比于RatSLAM模型，DGSOM-RatSLAM模型采集相同場(chǎng)景時(shí)所需視覺細(xì)胞的個(gè)數(shù)更少，能夠更快地實(shí)現(xiàn)閉環(huán)且匹配效果更佳。

圖8 Gauss-RatSLAM模型與Gauss-DGSOM-RatSLAM模型性能對(duì)比Fig.8 Performance comparison between Gauss-RatSLAM and Gauss-DGSOM-RatSLAM

4)準(zhǔn)確率與召回率對(duì)閉環(huán)檢測(cè)的定量分析

引入準(zhǔn)確率P、召回率R及F值對(duì)兩種系統(tǒng)進(jìn)行評(píng)估，數(shù)學(xué)模型如式(14)～(16)所示:

式中:正陽性(true positive，TP)指正確識(shí)別的閉環(huán)經(jīng)驗(yàn)節(jié)點(diǎn)單元，假陽性(false positive，F(xiàn)P)指錯(cuò)誤檢測(cè)出的閉環(huán)經(jīng)驗(yàn)節(jié)點(diǎn)單元，假陰性(false negative，F(xiàn)N)指未檢測(cè)到的真實(shí)閉環(huán)經(jīng)驗(yàn)節(jié)點(diǎn)單元，這里取a=1,有

經(jīng)計(jì)算，RatSLAM算法和DGSOM-RatSLAM算法的準(zhǔn)確率P分別為93.26%和94.74%，差異性不顯著；但相比于RatSLAM模型，DGSOM-RatSLAM模型的召回率R有顯著的提升，其中，RatSLAM算法的召回率R僅為75.28%，即該算法在場(chǎng)景重定位中會(huì)導(dǎo)致較多的假陰性判斷，DGSOM-RatSLAM算法的召回率R改進(jìn)至86.88%，兩種模型的F1值分別為83.31%與90.64%，可以看出，DGSOM-RatSLAM算法性能得到了一定的改進(jìn)，數(shù)據(jù)對(duì)比如表1所示。

表1 RatSLAM模型與DGSOM-RatSLAM模型性能對(duì)比

Table1 Performance comparison between RatSLAM model and DGSOM-RatSLAM model %

在每一幀圖像中加入高斯噪聲，得出其改進(jìn)前后的Gauss-RatSLAM模型及Gauss-DGSOM-RatSLAM，其準(zhǔn)確率P分別為91.42%和86.70%，召回率R分別為71.33%和80.25%，計(jì)算得F1值分別為80.14%和83.35%，數(shù)據(jù)如表2所示。

表2 Gauss-RatSLAM模型與Gauss-DGSOM-RatSLAM模型性能對(duì)比

Table 2 Performance comparison between Gauss-RatSLAM model and Gauss-DGSOM-RatSLAM model %

對(duì)比兩模型的準(zhǔn)確率、召回率及F1值可以看出，融入DGSOM的鼠類導(dǎo)航細(xì)胞模型整體性能得到了一定的改進(jìn)。

5)實(shí)驗(yàn)場(chǎng)景匹配效果對(duì)比

RatSLAM模型與融入DGSOM神經(jīng)網(wǎng)絡(luò)的RatSLAM模型的實(shí)驗(yàn)場(chǎng)景匹配效果對(duì)比如圖9所示，DGSOM-RatSLAM模型在閉環(huán)匹配中具有更好的魯棒性和快速性。

圖9 RatSLAM模型與DGSOM-RatSLAM模型實(shí)驗(yàn)場(chǎng)景匹配效果對(duì)比Fig.9 Matching effect of experiment scene between RatSLAM and DGSOM-RatSLAM

4 結(jié)束語

與現(xiàn)有的RatSLAM模型相比，本文提出的DGSOM-RatSLAM模型將DGSOM神經(jīng)網(wǎng)絡(luò)融入視覺細(xì)胞，通過減少所需細(xì)胞的數(shù)量降低了系統(tǒng)的復(fù)雜度，并且通過位姿細(xì)胞活性狀態(tài)實(shí)驗(yàn)與視覺細(xì)胞實(shí)驗(yàn)分別驗(yàn)證了DGSOM-RatSLAM模型能夠更早地匹配到閉環(huán)，使系統(tǒng)具有更好的快速性能，優(yōu)化了匹配效果，其準(zhǔn)確率、召回率及F1值與傳統(tǒng)RatSLAM模型相比有一定的改進(jìn)，分別達(dá)94.74%、86.88%和90.64%，進(jìn)一步進(jìn)行魯棒性測(cè)試可知融入高斯噪聲干擾下的改進(jìn)模型的準(zhǔn)確率、召回率及F1值分別達(dá)86.70%、80.25%、83.35%。

[1]KOHONEN T. Self-organized formation of topologically correct feature maps[J]. Biological cybernetics, 1982, 43(1): 59-69.

[2]MARTINETZ T M, BERKOVICH S G, SCHULTEN K J. Neural-gas network for vector quantization and its application to time-series prediction[J]. IEEE transactions on neural networks, 1993,4(4): 558-569.

[3]尹峻松, 胡德文, 陳爽,等. DSOM:一種基于NO時(shí)空動(dòng)態(tài)擴(kuò)散機(jī)理的新型自組織模型[J].中國科學(xué)E輯:信息科學(xué),2004,34(10): 1094-1109. YIN Junsong, HU Dewen, CHEN Shuang, et al. DSOM: a new self-organization model based on NO space-time dynamic diffusion mechanism[J]. Science in China ser. E information sciences, 2004,34(10): 1094-1109.

[4]王春東, 虞鶴峰, 王懷彬. Grey self-organizing map based intrusion detection[J]. Optoelectronics letters, 2009, 5(1): 64-68.

[5]于乃功,王麗.雙目立體視覺和GSOM相結(jié)合的機(jī)器人自主地圖構(gòu)建方法[J].計(jì)算機(jī)測(cè)量與控制, 2011, 19(11): 2810-2813. YU Naigong, WANG Li. Autonomous mapping for robot using a combination of binocular stereo vision and GSOM[J]. Computer measurement and control, 2011, 19(11): 2810-2813.

[6]MILFORD M, GEORGE A. Featureless visual processing for SLAM in changing outdoor environments[J]. Springer tracts in advanced robotics, 2014: 569-583.

[7]MILFORD M J, PRASSER D P, WYETH G F. Effect ofrepresentation size and visual ambiguity on RatSLAM system performance[C]//Australasian Conference on Robotics and Automation. Australian Robotics and Automation Society (ARAA), 2006: 1-8.

[8]MILFORD M, SCHULZ R, PRASSER D, et al. learningspatial concepts from RatSLAM representations[J]. Robotics and autonomous systems, 2007, 55(5):403-410.

[9]MILFORD M, WYETH G, PRASSER D. RatSLAM on the edge: revealing a coherent representation from an overloaded rat brain[C]// Ieee/rsj International Conference on Intelligent Robots and Systems, IROS 2006, October 9-15, 2006, Beijing, China. 2006:4060-4065.

[10]王麗娟,陶璨,張光偉,等.小鼠初級(jí)聽皮層SOM中間神經(jīng)元突觸輸入的時(shí)空特性研究[J]. 第三軍醫(yī)大學(xué)學(xué)報(bào), 2017, 39(5): 417-422. WANG Lijuan, TAO Can, ZHANG Guangwei, et al. Spatial-temporal characteristics of synaptic inputs received by SOM+ interneurons in mouse primary auditory cortex[J]. Journal of third military medical university, 2017,39(5): 417-422.

[11]于乃功,方略,羅子維,等.大鼠腦海馬結(jié)構(gòu)認(rèn)知機(jī)理及其在機(jī)器人導(dǎo)航中的應(yīng)用[J].北京工業(yè)大學(xué)學(xué)報(bào),2017, 43(3): 434-442. YU Naigong, FANG Lue, LUO Ziwei, et al. Cognitive mechanism of rat hippocampal formation and its application in robot navigation[J]. Journal of Beijing university of technology, 2017, 43(3): 434-442.

[12]劉帥師, 程曦, 郭文燕,等. 深度學(xué)習(xí)方法研究新進(jìn)展[J]. 智能系統(tǒng)學(xué)報(bào), 2016, 11(5):567-577. LIU Shuaishi, CHENG Xi, GUO Wenyan,et al. Progress report on new research in deep learning[J]. CAAI transactions on intelligent systems, 2016, 11(5):567-577.

[13]丁永生.計(jì)算智能的新框架:生物網(wǎng)絡(luò)結(jié)構(gòu)[J]. 智能系統(tǒng)學(xué)報(bào), 2007, 2(2): 26-30. DING Yongsheng. A new scheme for computational intelligence: bio-network architecture[J]. CAAI transactions on intelligent systems, 2007, 2(2): 26-30.

[14]芮小平,張立強(qiáng).基于SOM的多維信息可視化研究[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào), 2011, 19(3): 379-388. RUI Xiaoping, ZHANG Liqiang. Multi-dimensional information visualization based on SOM[J]. Journal of basic science and engineering, 2011, 19(3): 379-388.

[15]尹柏強(qiáng),何怡剛,朱彥卿.一種廣義S變換及模糊SOM網(wǎng)絡(luò)的電能質(zhì)量多擾動(dòng)檢測(cè)和識(shí)別方法[J].中國電機(jī)工程學(xué)報(bào), 2015, 35(4): 866-872. YIN baiqiang, HE Yigang, ZHU Yanqing. Detection and classification of power quality multi-disturbances based on generalized S-transform and fuzzy SOM neural network[J]. Proceedings of the CSEE,2015,35(4):866-872.

[16]於東軍,吳小俊, HANCOCK Edwin R,等.廣義SOM及其在人臉性別識(shí)別中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào), 2011, 34(9): 1719-1725. YU Dongjun, WU Xiaojun, HANCOCK Edwin R, et al. Generalized SOM with application to facial gender identification[J].Chinese journal of computers, 2011, 34(9): 1719-1725.

[17]劉艷,陳麗安.基于SOM的真空斷路器機(jī)械故障診斷[J].電工技術(shù)學(xué)報(bào), 2017,32(5):49-54. LIU Yan, CHEN Li’an. Mechanical fault diagnosis of vacuum circuit breaker based on SOM[J]. Transactions of China electrotechnical society, 2017, 32(5): 49-54.

[18]邱天宇, 申富饒, 趙金熙. 自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)綜述[J]. 軟件學(xué)報(bào), 2016, 27(9): 2230-2247. QIU Tianyu, SHEN Furao, ZHAO Jinxi. Review of self-organizing incremental neural network[J]. Journal of software, 2016, 27(9): 2230-2247

[19]趙建華, 李偉華. 有監(jiān)督SOM神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)工程, 2012, 38(12): 110-111. ZHAO Jianhua, LI Weihua. Application of supervised SOM neural network in intrusion detection[J]. Computer engineer, 2012, 38(12): 110-111.

A bio-inspired algorithm integrated with DGSOM neural network

XU Tong， LING Youzhu， CHEN Mengyuan

(Anhui Key Laboratory of Electric Drive and Control, Anhui Polytechnic University, Wuhu 241000, China)

Based on physiology and brain science, self-organizing-map (SOM) neural networks can learn and autonomously draw topological maps, but the initial SOM network structure must be repeatedly tested, so the real-time characteristics of the system cannot be assured. In this paper, we built a dynamic growing self-organizing map (DGSOM) based on direction and feature parameters that reduces network training times by the introduction of the direction parameter and decreases system complexity and avoids perceptual aliasing by the introduction of the feature parameter. By introducing the feature parameter, we can avoid perception confusion. We applied the proposed model to the view cells of the simultaneous localization and mapping system (SLAM) known as RatSLAM, proposed by Milford et al. Our experimental results show that the proposed DGSOM-RatSLAM model can decrease the complexity of the system by reducing the quantity of view cells and realize closed-loop detection earlier by matching the scene with view cells and detecting on the activity of the pose cells. We found the precision rate, recall rate, andF1value of the DGSOM-RatSLAM model to reach 94.74%, 86.88%, and 90.64%, respectively, and those of the Gauss-DGSOM-RatSLAM model to reach 86.70%, 80.25%, and 83.35%, respectively.

RatSLAM model; DGSOM neural network; simultaneous localization and mapping; closed-loop detection; precision rate; recall rate

10.11992/tis.201704038

http://kns.cnki.net/kcms/detail/23.1538.TP.20170705.1653.002.html

2017-04-25. 網(wǎng)絡(luò)出版日期：2017-07-05.

安徽高校自然科學(xué)研究項(xiàng)目(KJ2016A794).

凌有鑄. E-mail:lyz7985@163.com

TP242.6;TP183

A

1673-4785(2017)03-0405-08

許曈，男，1993年生，碩士研究生，主要研究方向?yàn)闄C(jī)器視覺和仿生導(dǎo)航算法。

凌有鑄，男，1962年生，研究生導(dǎo)師，主要研究方向?yàn)閭鞲衅餍盘?hào)處理和機(jī)器人地圖構(gòu)建等。主持省自然科學(xué)基金、省科技計(jì)劃項(xiàng)目等10余項(xiàng)，獲安徽省科學(xué)技術(shù)獎(jiǎng)4項(xiàng)，發(fā)表學(xué)術(shù)論文60余篇。

陳孟元，男，1984年生，副教授，主要研究方向?yàn)橐苿?dòng)機(jī)器人地圖構(gòu)建及同步定位等。主持安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目等10余項(xiàng)，發(fā)表學(xué)術(shù)論文30余篇，授權(quán)國家發(fā)明專利4項(xiàng)。