第12卷第3期 智能系统学报 Vol.12 No.3 2017年6月 CAAI Transactions on Intelligent Systems Jun.2017 D0I:10.11992/tis.201704038 网络出版地址：htp:/kns.cmki.net/kcms/detail/23.1538.TP.20170705.1653.002.html 一 种融合DGSOM神经网络的仿生算法研究 许瞳，凌有铸，陈孟元 (安徽工程大学安徽省电气传动与控制重点实验室，安徽芜湖241000) 摘要：基于生理学和脑科学研究成果提出的SOM神经网络仿生优化方法能够通过学习自主绘制出拓扑地图，但需 通过大量的尝试确定其初始网络结构，无法保证系统的实时性。提出一种方向信息和特征信息构建的动态增长自 组织特征网DG$OM,通过引入方向参数减少网络的训练次数.降低了系统复杂度，通过引入特征参数避免了感知混 淆，并将该神经网络模型应用于澳大利亚Milford等提出的RatSLAM模型中。实验表明，提出的DGSOM-RatSLAM模 型通过减少视觉细胞的数量降低系统的复杂度：通过视觉细胞的场景匹配实验和位姿细胞的活性状态实验证明该 模型能够更快地实现闭环检测，提出的DGSOM-RatSLAM模型的准确率、召回率及F,值分别为94.74%、86.88%和 90.64%,高斯噪声干扰下Guss-DGs0M-RatSLAM模型的准确率、召回率及F,值分别为86.70%、80.25%、83.35%。 关键词：RatSLAM模型：DGSOM神经网络：同步定位与地图构建：闭环检测：准确率：召回率 中图分类号：TP242.6:TP183文献标志码：A文章编号：1673-4785(2017)03-0405-08 中文引用格式：许瞳，凌有铸，陈孟元.一种融合DGS0M神经网络的仿生算法研究[J】.智能系统学报，2017,12(3)：405-412。 英文引用格式：XU Tong,LING Youzhu,CHEN Mengyuan.Abio-inspired algorithm integrated with DGSOM neural network[J]. CAAI transactions on intelligent systems,2017,12(3):405-412. 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) Abstract: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,and F value 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. Keywords:RatSLAM model;DGSOM neural network;simultaneous localization and mapping;closed-loop detection;precision rate;recall rate 在生物神经系统中，存在着一种侧抑制现象， 抑制作用，这种抑制作用会使神经细胞之间出现竞 个神经细胞的兴奋会对周围其他神经细胞产生 争，从而造成神经细胞的兴奋或抑制。1982年芬兰 Helsink大学的T.Kohonen教授)基于这种现象提 收稿日期：2017-04-25.网络出版日期：2017-07-05. 基金项目：安徽高校自然科学研究项目(K2016A794). 出一种自组织特征图(self-organizing feature map, 通信作者：凌有铸.E-mail:yz7985@163.com
第 １２ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．３ ２０１７ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１７０４０３８ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０７０５．１６５３．００２．ｈｔｍｌ 一种融合 ＤＧＳＯＭ 神经网络的仿生算法研究 许曈，凌有铸，陈孟元 （安徽工程大学 安徽省电气传动与控制重点实验室，安徽 芜湖 ２４１０００） 摘 要：基于生理学和脑科学研究成果提出的 ＳＯＭ 神经网络仿生优化方法能够通过学习自主绘制出拓扑地图，但需 通过大量的尝试确定其初始网络结构，无法保证系统的实时性。 提出一种方向信息和特征信息构建的动态增长自 组织特征网 ＤＧＳＯＭ，通过引入方向参数减少网络的训练次数，降低了系统复杂度，通过引入特征参数避免了感知混 淆，并将该神经网络模型应用于澳大利亚 Ｍｉｌｆｏｒｄ 等提出的 ＲａｔＳＬＡＭ 模型中。 实验表明，提出的 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模 型通过减少视觉细胞的数量降低系统的复杂度；通过视觉细胞的场景匹配实验和位姿细胞的活性状态实验证明该 模型能够更快地实现闭环检测，提出的 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的准确率、召回率及 Ｆ１ 值分别为 ９４．７４％、８６．８８％和 ９０．６４％，高斯噪声干扰下 Ｇａｕｓｓ⁃ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的准确率、召回率及 Ｆ１ 值分别为 ８６．７０％、８０．２５％、８３．３５％。 关键词：ＲａｔＳＬＡＭ 模型；ＤＧＳＯＭ 神经网络；同步定位与地图构建；闭环检测；准确率；召回率 中图分类号：ＴＰ２４２．６；ＴＰ１８３ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０３－０４０５－０８ 中文引用格式：许曈，凌有铸，陈孟元．一种融合 ＤＧＳＯＭ 神经网络的仿生算法研究［Ｊ］． 智能系统学报， 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． 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） Ａｂｓｔｒａｃｔ：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， ａｎｄ Ｆ１ ｖａｌｕｅ 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． Ｋｅｙｗｏｒｄｓ： ＲａｔＳＬＡＭ ｍｏｄｅｌ； ＤＧＳＯＭ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ｓｉｍｕｌｔａｎｅｏｕｓ ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ ｍａｐｐｉｎｇ； ｃｌｏｓｅｄ⁃ｌｏｏｐ ｄｅｔｅｃｔｉｏｎ； ｐｒｅｃｉｓｉｏｎ ｒａｔｅ； ｒｅｃａｌｌ ｒａｔｅ 收稿日期：２０１７－０４－２５． 网络出版日期：２０１７－０７－０５． 基金项目：安徽高校自然科学研究项目（ＫＪ２０１６Ａ７９４）． 通信作者：凌有铸． Ｅ⁃ｍａｉｌ：ｌｙｚ７９８５＠ １６３．ｃｏｍ 在生物神经系统中，存在着一种侧抑制现象， 一个神经细胞的兴奋会对周围其他神经细胞产生 抑制作用，这种抑制作用会使神经细胞之间出现竞 争，从而造成神经细胞的兴奋或抑制。 １９８２ 年芬兰 Ｈｅｌｓｉｎｋ 大学的 Ｔ．Ｋｏｈｏｎｅｎ 教授［１］ 基于这种现象提 出一种自组织特征图（ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍａｐ
·406· 智能系统学报 第12卷 SOM),并引入赢者通吃(winner take all,.WTA)理 1.1 位姿细胞的活性状态变化 论，该仿生优化方法通过学习能够自主绘制出拓扑 创建的兴奋度权重矩阵ε和由于兴奋性使位 地图，但需通过大量的尝试确定其初始网络结构， 姿感知细胞活动产生的变化APyg如式(1)和式 无法保证系统的实时性能，研究者们基于该模型的 (2)所示： 缺陷进行了改进。1993年Martinetz等2)提出一种 1 (1) 神经气(neural gas,NG)模型，提高了网络自组织学 ky√2pk, 习过程的效率。2004年尹峻松等[)为克服S0M孤 NN Na 立学习与噪声敏感等缺陷，结合一氧化氮(N0)扩 △Pg= 散机理，在SOM网中引入时间增强机制，提出了一 式中：ky和ke分别为位姿感知细胞平面(x',y)和 种新型扩散的自组织模型(diffusing self-.organizing 0'维中对应着兴奋性一维分布的方差常数；a、b、c分 maps,DS0M)。2009年王春东等[4)将S0M理论运 别为x'y'、'的分布系数；N、N,、N分别为(x',y', 用于信息学，利用灰色关联系数(grey relational )空间中的位姿感知细胞三维矩阵元素：抑制常数 coefficient,.GRC)调整权重，检测拒绝服务攻击 ”控制全局抑制水平，使兴奋度被限制在非负范 (denial of service,DOS)。20ll年于乃功等[s]将可 围内。 增长特征映射图(growing self-organizing map, 1.2视觉细胞的场景学习及位姿关联 GSOM)融入双目立体视觉，通过自组织拓扑结构避 ~维视觉细胞通过视觉关联影响位姿细胞活 免了传统SOM网需大量实验才能确定的初始网络 性状态，其连接强度a。如式(3)所示： 结构。本文以GSOM神经网络模型为基础引入了 awy=ai,Pyo,Vi (3) 方向参数和特征参数构成的动态增长自组织特征 视觉细胞关联下的位姿细胞网络活性如式(4) dynamic growing self-organizing feature map, 所示： DGSOM),并应用于澳大利亚Milford等[6]提出的 APyg=δ∑awywVi (4) RatSLAM模型中。 式中δ为视觉校准加强常数。 1 RatSLAM模型 1.3经历图的构建 经验E、编码位姿细胞P、视觉细胞V和经历间 由于传感器和环境的不确定性，移动机器人利 的拓扑关系d如式(5)所示： 用概率解决同步定位与地图构建问题。其中，卡尔 E=P,V,d (5) 曼滤波、极大期望估计和粒子滤波3种概率算法是 拓扑关系d如式(6)所示： 当前移动机器人SLAM的核心技术，其通过专用网 N 格或拓扑地图的方式进行环境描述，这些研究成果 △d:=a[ (d,-d-△P)+ 在仿真和限定条件下能够取得良好效果，但难以兼 顾实际环境，且存在计算量大、搜索时间长、易于陷 三d-4-ar,门 (6)】 入局部最优解等问题。 式中：α为学习常量：N是从经历i到其他经历的转 鼠类是生物医学研究最多的动物之一【10川，人 移个数：N,是从其他经历到经历i的转移个数。实 们对于其导航、环境探索和真实神经机制的模拟理 验表明，学习常量α取0.5可使构建的地图收敛到 解得很好，因此鼠类成为科学家们创造生物系统人 一个稳定的状态，模型如图1所示。 工模型的原型。 经过不断的研究探索，Milford等提出一种基于 维视觉细胞” 链路编码 鼠类导航细胞的扩展海马模型RatSLAM,该模型包 视 括位姿细胞、视觉细胞以及经验图3部分，通过一维 觉 拓扑化的 经历图 E-<PVd 头方向细胞和二维位置细胞合并形成的三维位姿 联 4 细胞表征当前位置，利用一维视觉细胞在环境中学 习独特场景，通过位姿细胞和视觉细胞链路编码共 二维位姿细胞P 链路编码 同构建拓扑化的经验图，其经验E包含关于视觉细 胞V、位姿细胞P和位置间拓扑关系d,定义E=〈V, 图1 RatSLAM模型 P,d)o Fig.1 RatSLAM model
ＳＯＭ），并引入赢者通吃（ｗｉｎｎｅｒ ｔａｋｅ ａｌｌ， ＷＴＡ） 理 论，该仿生优化方法通过学习能够自主绘制出拓扑 地图，但需通过大量的尝试确定其初始网络结构， 无法保证系统的实时性能，研究者们基于该模型的 缺陷进行了改进。 １９９３ 年 Ｍａｒｔｉｎｅｔｚ 等［２］ 提出一种 神经气（ｎｅｕｒａｌ ｇａｓ，ＮＧ）模型，提高了网络自组织学 习过程的效率。 ２００４ 年尹峻松等［３］ 为克服 ＳＯＭ 孤 立学习与噪声敏感等缺陷， 结合一氧化氮（ＮＯ）扩 散机理， 在 ＳＯＭ 网中引入时间增强机制，提出了一 种新型扩散的自组织模型（ ｄｉｆｆｕｓｉｎｇ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｍａｐｓ，ＤＳＯＭ）。 ２００９ 年王春东等［４］ 将 ＳＯＭ 理论运 用于 信 息 学， 利 用 灰 色 关 联 系 数 （ ｇｒｅｙ ｒｅｌａｔｉｏｎａｌ ｃｏｅｆｆｉｃｉｅｎｔ，ＧＲＣ） 调 整 权 重， 检 测 拒 绝 服 务 攻 击 （ｄｅｎｉａｌ ｏｆ ｓｅｒｖｉｃｅ， ＤＯＳ）。 ２０１１ 年于乃功等［５］ 将可 增 长 特 征 映 射 图 （ ｇｒｏｗｉｎｇ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｍａｐ， ＧＳＯＭ）融入双目立体视觉，通过自组织拓扑结构避 免了传统 ＳＯＭ 网需大量实验才能确定的初始网络 结构。 本文以 ＧＳＯＭ 神经网络模型为基础引入了 方向参数和特征参数构成的动态增长自组织特征 图 （ ｄｙｎａｍｉｃ ｇｒｏｗｉｎｇ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍａｐ， ＤＧＳＯＭ），并应用于澳大利亚 Ｍｉｌｆｏｒｄ 等［６－９］ 提出的 ＲａｔＳＬＡＭ 模型中。 １ ＲａｔＳＬＡＭ 模型 由于传感器和环境的不确定性，移动机器人利 用概率解决同步定位与地图构建问题。 其中，卡尔 曼滤波、极大期望估计和粒子滤波 ３ 种概率算法是 当前移动机器人 ＳＬＡＭ 的核心技术，其通过专用网 格或拓扑地图的方式进行环境描述，这些研究成果 在仿真和限定条件下能够取得良好效果，但难以兼 顾实际环境，且存在计算量大、搜索时间长、易于陷 入局部最优解等问题。 鼠类是生物医学研究最多的动物之一［１０－１１］ ，人 们对于其导航、环境探索和真实神经机制的模拟理 解得很好，因此鼠类成为科学家们创造生物系统人 工模型的原型。 经过不断的研究探索，Ｍｉｌｆｏｒｄ 等提出一种基于 鼠类导航细胞的扩展海马模型 ＲａｔＳＬＡＭ，该模型包 括位姿细胞、视觉细胞以及经验图 ３ 部分，通过一维 头方向细胞和二维位置细胞合并形成的三维位姿 细胞表征当前位置，利用一维视觉细胞在环境中学 习独特场景，通过位姿细胞和视觉细胞链路编码共 同构建拓扑化的经验图，其经验 Ｅ 包含关于视觉细 胞 Ｖ、位姿细胞 Ｐ 和位置间拓扑关系 ｄ，定义 Ｅ ＝ 〈Ｖ， Ｐ，ｄ〉。 １．１ 位姿细胞的活性状态变化 创建的兴奋度权重矩阵 εａｂｃ和由于兴奋性使位 姿感知细胞活动产生的变化 ΔＰｘ′ｙ′θ′ 如式（ １） 和式 （２）所示： εａｂｃ ＝ １ ｋｘ′ｙ′ ２ｐｋｑ′ ε － （ａ ２＋ｂ ２） ｋ ｘ′ｙ′ ε － ｃ ２ ｋ θ′ （１） ΔＰｘ′ｙ′θ′ ＝ ∑ Ｎｘ′ ａ ＝ ０ ∑ Ｎｙ′ ｂ ＝ ０ ∑ Ｎθ′ ｃ ＝ ０ ε（ａ－ｘ′）（ｂ－ｙ′）（ｃ－θ′）Ｐａｂｃ － φ （２） 式中：ｋｘ′ｙ′和 ｋθ′分别为位姿感知细胞平面（ ｘ′，ｙ′）和 θ′维中对应着兴奋性一维分布的方差常数；ａ、ｂ、ｃ 分 别为 ｘ′、ｙ′、θ′的分布系数；Ｎｘ′、Ｎｙ′、Ｎθ′分别为（ｘ′，ｙ′， θ′）空间中的位姿感知细胞三维矩阵元素；抑制常数 φ 控制全局抑制水平，使兴奋度被限制在非负范 围内。 １．２ 视觉细胞的场景学习及位姿关联 一维视觉细胞通过视觉关联影响位姿细胞活 性状态，其连接强度 ａ ｔ＋１ ｉｘ′ｙ′θ′如式（３）所示： ａ ｔ＋１ ｉｘ′ｙ′θ′ ＝ ｛ａ ｔ ｉ，Ｐｘ′ｙ′θ′，Ｖｉ｝ （３） 视觉细胞关联下的位姿细胞网络活性如式（４） 所示： ΔＰｘ′ｙ′θ′ ＝ δ∑ｉ ａｉｘ′ｙ′θ′Ｖｉ （４） 式中 δ 为视觉校准加强常数。 １．３ 经历图的构建 经验 Ｅ、编码位姿细胞 Ｐ、视觉细胞 Ｖ 和经历间 的拓扑关系 ｄ 如式（５）所示： Ｅ ＝ ｛Ｐ，Ｖ，ｄ｝ （５） 拓扑关系 ｄ 如式（６）所示： Δｄｉ ＝ α［∑ Ｎｆ ｊ ＝ １ （ｄｊ － ｄｉ － ΔＰｉｊ） ＋ ∑ Ｎｔ ｋ ＝ １ （ｄｋ － ｄｉ － ΔＰｋｊ）］ （６） 式中：α 为学习常量；Ｎｆ 是从经历 ｉ 到其他经历的转 移个数；Ｎｔ 是从其他经历到经历 ｉ 的转移个数。 实 验表明，学习常量 α 取 ０．５ 可使构建的地图收敛到 一个稳定的状态，模型如图 １ 所示。 图 １ ＲａｔＳＬＡＭ 模型 Ｆｉｇ．１ ＲａｔＳＬＡＭ ｍｏｄｅｌ ·４０６· 智 能 系 统 学 报 第 １２ 卷
第3期 许瞳，等：一种融合DGSOM神经网络的仿生算法研究 .407. 2 DGSOM算法下的RatSLAM模型 2)计算权值向量与输入的距离 在第k个输入平面中，到每一个神经元i的 神经科学研究表明，视觉皮层与其海马脑区的 距离d,可由已知的m个神经元计算得出，可选取的 细胞存在竞争性输入[2-]，而传统的SOM算 方法包括曼哈顿距离、欧氏距离、径向基等，这里采 法[14-]为确定初始网络结构需进行大量复杂的运 用输入样本与获胜神经元连接强度的欧氏距离进 算。本文提出一种具有神经元方向和特征的 行判断，计算方法如式(9)和式(10)所示： DGSOM神经网络模型，通过引入方向参数减少学习 次数从而降低系统的复杂度，通过引人特征参数避 d=e-m (9) 免感知混淆，将该模型应用于RatSLAM模型中以改 dn=min(d:） (10) 进现有基于鼠类海马体导航机制的细胞导航模型。 3)获取最佳匹配单元 方向参数D决定了RatSLAM模型中视觉细胞 通过引入阈值参数α选择是否需引入新的神 和位姿细胞的激活特性，激活值m和my取1,0， 经元，获取最佳匹配单元的数学模型，如式(11) -1。特征参数F决定了RatSLAM模型中视觉细胞 所示： 和位姿细胞的环境特征，其特征可分别表达为及 [0,i为已引入的神经元 ny,输入参数C可表达为c=mn和c=my d=1- i为已引入的神经元，且do<a ny,其中上标k表示第k个平面。 1 视觉细胞特征如式(7)所示： i为新引入的神经元，且dm≥a [n,m=1 (11) 4)调节神经元的权重 c=0, m=0 (7) 新引入的神经元如式(12)所示： -n m=-1 w'=c奇 (12) 位姿细胞特征如式(8)所示： 已引入的神经元如式(13)所示： (ny, my =1 (+B(c-),j=argmin d c=0, m=0 (8) w1= (w,其他 (-niy, my=-1 (13) 1)创建DGSOM网络 引入输入神经元C=〈D,F),DGSOM模型神经 式中：B=B。eP,B。赋初值0.1，p为允许在神经单元i 元的创建过程如图2所示，其中第3个神经元是竞 处创建的新节点数目：权重满足约束条件‖ω‖≤1。 5)构建一个新的神经元 争出的胜者，第m+1个神经元是新产生的神经元。 通过移动机器人在环境中探索，重复过程1)~ 4),构建一个新的神经元。 6)将DGSOM模型应用于RatSLAM 77 DGSOM下的RatSLAM模型如图3所示。通过 第k个输人平面的第个 神经元的特性表征 摄像头获取局部场景，利用视觉里程计信息整合至 m+1 CD,F 位姿细胞从而影响经历图的构建：融合DGSOM神 图2 DGSOM模型神经元的创建过程 经网络模型的视觉细胞，一方面对位姿细胞进行视 Fig.2 Neurons created in DGSOM model 觉关联，另一方面直接影响经历图的构建
２ ＤＧＳＯＭ 算法下的 ＲａｔＳＬＡＭ 模型 神经科学研究表明，视觉皮层与其海马脑区的 细胞 存 在 竞 争 性 输 入［１２－１３］ ， 而 传 统 的 ＳＯＭ 算 法［１４－１９］为确定初始网络结构需进行大量复杂的运 算。 本 文 提 出 一 种 具 有 神 经 元 方 向 和 特 征 的 ＤＧＳＯＭ 神经网络模型，通过引入方向参数减少学习 次数从而降低系统的复杂度，通过引入特征参数避 免感知混淆，将该模型应用于 ＲａｔＳＬＡＭ 模型中以改 进现有基于鼠类海马体导航机制的细胞导航模型。 方向参数 Ｄ 决定了 ＲａｔＳＬＡＭ 模型中视觉细胞 和位姿细胞的激活特性，激活值 ｍ ｋ ｉ 和 ｍ ｋ ｘ′ｙ′取 １，０， －１。 特征参数 Ｆ 决定了 ＲａｔＳＬＡＭ 模型中视觉细胞 和位姿细胞的环境特征，其特征可分别表达为 ｎ ｋ ｉ 及 ｎ ｋ ｘ′ｙ′，输入参数 Ｃ 可表达为 ｃ ｋ ｉ ＝ ｍ ｋ ｉ ｎ ｋ ｉ 和 ｃ ｋ ｘ′ｙ′ ＝ ｍ ｋ ｘ′ｙ′ ｎ ｋ ｘ′ｙ′，其中上标 ｋ 表示第 ｋ 个平面。 视觉细胞特征如式（７）所示： ｃ ｋ ｉ ＝ ｎ ｋ ｉ ， ｍ ｋ ｉ ＝ １ ０， ｍ ｋ ｉ ＝ ０ － ｎ ｋ ｉ ， ｍ ｋ ｉ ＝ － １ ì î í ï ï ï ï （７） 位姿细胞特征如式（８）所示： ｃ ｋ ｘ′ｙ′ ＝ ｎ ｋ ｘ′ｙ′， ｍ ｋ ｘ′ｙ′ ＝ １ ０， ｍ ｋ ｘ′ｙ′ ＝ ０ － ｎ ｋ ｘ′ｙ′， ｍ ｋ ｘ′ｙ′ ＝ － １ ì î í ï ï ï ï （８） １） 创建 ＤＧＳＯＭ 网络 引入输入神经元 Ｃ ＝ 〈Ｄ，Ｆ〉，ＤＧＳＯＭ 模型神经 元的创建过程如图 ２ 所示，其中第 ３ 个神经元是竞 争出的胜者，第 ｍ＋１ 个神经元是新产生的神经元。 图 ２ ＤＧＳＯＭ 模型神经元的创建过程 Ｆｉｇ．２ Ｎｅｕｒｏｎｓ ｃｒｅａｔｅｄ ｉｎ ＤＧＳＯＭ ｍｏｄｅｌ ２）计算权值向量与输入的距离 在第 ｋ 个输入 ｖ ｋ 平面中，到每一个神经元 ｉ 的 距离 ｄｉ 可由已知的 ｍ 个神经元计算得出，可选取的 方法包括曼哈顿距离、欧氏距离、径向基等，这里采 用输入样本与获胜神经元连接强度的欧氏距离进 行判断，计算方法如式（９）和式（１０）所示： ｄｉ ＝ ∑ ｍ ｉ ＝ １ （ｃｉ ｋ － ωｉｊ） ２ [ ] １ ２ （９） ｄｍｉｎ ＝ ｍｉｎ（ｄｉ） （１０） ３）获取最佳匹配单元 通过引入阈值参数 α 选择是否需引入新的神 经元，获取最佳匹配单元的数学模型，如式（ １１） 所示： ｄｉ ＝ ０， ｉ 为已引入的神经元 １ － ｄｍｉｎ α ， ｉ 为已引入的神经元，且 ｄｍｉｎ ＜ α １， ｉ 为新引入的神经元，且 ｄｍｉｎ ≥ α ì î í ï ï ï ï ïï （１１） ４） 调节神经元的权重 新引入的神经元如式（１２）所示： ω ｔ＋１ ｉｊ ＝ ｃ ｋ ｉｊ （１２） 已引入的神经元如式（１３）所示： ω ｔ＋１ ｉｊ ＝ ω ｔ ｉｊ ＋ β ｔ （ｃ ｋ ｉｊ － ω ｔ ｉｊ）， ｊ ＝ ａｒｇｍｉｎ ｄｊ ω ｔ ｉｊ， 其他 { （１３） 式中：β ｔ ＝β０ ｅ － Ｎｉ ρ ，β０ 赋初值 ０．１，ρ 为允许在神经单元 ｉ 处创建的新节点数目；权重满足约束条件‖ωｉｊ‖≤１。 ５） 构建一个新的神经元 通过移动机器人在环境中探索，重复过程 １） ～ ４），构建一个新的神经元。 ６） 将 ＤＧＳＯＭ 模型应用于 ＲａｔＳＬＡＭ ＤＧＳＯＭ 下的 ＲａｔＳＬＡＭ 模型如图 ３ 所示。 通过 摄像头获取局部场景，利用视觉里程计信息整合至 位姿细胞从而影响经历图的构建；融合 ＤＧＳＯＭ 神 经网络模型的视觉细胞，一方面对位姿细胞进行视 觉关联，另一方面直接影响经历图的构建。 第 ３ 期 许曈，等：一种融合 ＤＧＳＯＭ 神经网络的仿生算法研究 ·４０７·
.408. 智能系统学报 第12卷 获胜单元dm 新细胞 视觉细d 止胞V DGSOM神经 1X23 m-m)m+) 网络模型 视觉里程计 Z 链路编码 空间平面V 链路编码 E=<V.P.d> 第n个平面mOO 维 位姿细胞P 经历图 第个平面 第1个平面尖 图3融入DGSOM神经网络的RatSLAM模型 Fig.3 RatSLAM model with DGSOM neural network 3 实验与结果分析 3.1实验设计 本实验通过如图4所示的“旅行家Ⅱ号”轮式 机器人摄像头模块进行局部场景的采集，将采集的 图像传至上位机并通过MATLAB进行算法分析验 证。实验选取的室内场景如图5所示。 图5实验场景 Fig.5 Experiments scene 3.2实验结果与分析 1)改进前后RatSLAM模型中位姿细胞的活性转 移过程及DGSOM-RatSLAM模型的实时性验证实验 位姿细胞的位姿转移过程如图6所示，每组3 幅图分别表示摄像头实际读取的图像信息、 RatSLAM模型中位姿感知细胞活性状态信息以及 图4“旅行家Ⅱ号”"轮式机器人 DGSOM-RatSLAM模型位姿感知细胞活性状态信 Fig.4 The wheeled mobile robot Voyager II 息：图6(a)~(i)所示的过程表示移动机器人在18~
图 ３ 融入 ＤＧＳＯＭ 神经网络的 ＲａｔＳＬＡＭ 模型 Ｆｉｇ．３ ＲａｔＳＬＡＭ ｍｏｄｅｌ ｗｉｔｈ ＤＧＳＯＭ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ３ 实验与结果分析 ３．１ 实验设计 本实验通过如图 ４ 所示的“旅行家Ⅱ号” 轮式 机器人摄像头模块进行局部场景的采集，将采集的 图像传至上位机并通过 ＭＡＴＬＡＢ 进行算法分析验 证。 实验选取的室内场景如图 ５ 所示。 图 ４ “旅行家Ⅱ号”轮式机器人 Ｆｉｇ．４ Ｔｈｅ ｗｈｅｅｌｅｄ ｍｏｂｉｌｅ ｒｏｂｏｔ Ｖｏｙａｇｅｒ Ⅱ 图 ５ 实验场景 Ｆｉｇ．５ Ｅｘｐｅｒｉｍｅｎｔｓ ｓｃｅｎｅ ３．２ 实验结果与分析 １）改进前后 ＲａｔＳＬＡＭ 模型中位姿细胞的活性转 移过程及 ＤＧＳＯＭ－ＲａｔＳＬＡＭ 模型的实时性验证实验 位姿细胞的位姿转移过程如图 ６ 所示，每组 ３ 幅图 分 别 表 示 摄 像 头 实 际 读 取 的 图 像 信 息、 ＲａｔＳＬＡＭ 模型中位姿感知细胞活性状态信息以及 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型位姿感知细胞活性状态信 息；图 ６（ａ） ～ （ｉ）所示的过程表示移动机器人在１８～ ·４０８· 智 能 系 统 学 报 第 １２ 卷
第3期 许瞳，等：一种融合DGSOM神经网络的仿生算法研究 ·409· 23s时位姿细胞的活性转移过程。从图6所示的组 一场景实现闭环检测，但如图6(j)~(1)所示，该模 图中可以看出，随时间推移，RatSLAM模型和 型无法在场景重现的第一时间(67s时刻)进行闭 DGSOM-RatSLAM模型的位姿细胞左侧活性强度逐 环检测，而改进后的DGSOM-RatSLAM模型能够在 渐降低，中间及右侧活性强度逐渐增加：文献[6]证 这一时刻及时地辨识出先前出现的场景，实现闭环 明了RatSLAM模型在一天中的不同时段都能对同 检测，其改进模型的实时性得到了验证。 8 81 0 公 20 90 60 60 y30 2040600 00120 30 20406080100120 (a)移动机器人所处位置时的 (b)1=18s时RatSLAM模型的位姿 (c)t-18s时DGSOM-RatSLAM模型的 图像信总 细胞活性转移过程 位姿细胞活性转移过程 60 40 28 0 3 20 10 90 90 60 0012 60 y 30 2040 6080 30 20406080100120 (d移动机器人所处位置b时的 (e)1=20s时RatSLAM模型的位姿 (D1=20s时DGSOM-RatSL.AM模型的 图像信息 细胞活性转移过程 位姿细胞活性转移过程 70 70t 50 40 4 28 10 0 0 60 20406080100120 60 y 3o 30 2040 6080100120 (g)移动机器人所处位置c时的 (h)t=23s时RatSLAM模型的位姿 ()t=23s时DGSOM-RatSLAM模型的 图像信息 细胞活性转移过程 位姿细胞活性转移过程 70 8 4 3 10 90 90 60 60 30 20406080100120 30 20406080100120 1 0)移动机器人所处位置d时的 (k)t=67s时RatSLAM模型的位姿 )t=67s时DGSOM-RatSLAM模型的 图像信息 细胞活性转移过程 位姿细胞活性转移过程 图6两种模型位姿细胞活性转移过程 Fig.6 The transfer of pose cells activity in two nodels
２３ ｓ 时位姿细胞的活性转移过程。 从图 ６ 所示的组 图中 可 以 看 出， 随 时 间 推 移， ＲａｔＳＬＡＭ 模 型 和 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型的位姿细胞左侧活性强度逐 渐降低，中间及右侧活性强度逐渐增加；文献［６］证 明了 ＲａｔＳＬＡＭ 模型在一天中的不同时段都能对同 一场景实现闭环检测，但如图 ６（ｊ） ～ （ ｌ）所示，该模 型无法在场景重现的第一时间（６７ ｓ 时刻） 进行闭 环检测，而改进后的 ＤＧＳＯＭ⁃ＲａｔＳＬＡＭ 模型能够在 这一时刻及时地辨识出先前出现的场景，实现闭环 检测，其改进模型的实时性得到了验证。 图 ６ 两种模型位姿细胞活性转移过程 Ｆｉｇ．６ Ｔｈｅ ｔｒａｎｓｆｅｒ ｏｆ ｐｏｓｅ ｃｅｌｌｓ ａｃｔｉｖｉｔｙ ｉｎ ｔｗｏ ｎｏｄｅｌｓ 第 ３ 期 许曈，等：一种融合 ＤＧＳＯＭ 神经网络的仿生算法研究 ·４０９·