[发明专利]一种基于DGSOM神经网络的RatSLAM算法

说明书

技术领域

本发明涉及涉及仿生学、神经网络与机器视觉领域，尤其涉及一种基于鼠类模型和DGSOM神经网络的同步定位与地图构建方法。

背景技术

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，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出一种自组织特征图(Self-Organizing Feature Map,SOM)并引入赢者通吃(Winner Take All,WTA)理论，研究者们基于该模型的缺陷进行了改进。

1993年Martinetz等提出一种神经气(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，提出一种新型扩散的自组织模型(Diffusing Self-Organizing Maps，DSOM)。

2009年王春东等将SOM理论运用于信息学，利用灰色关联系数(GRC，grey relational coefficient)调整权重检测拒绝服务攻击(deny of service,DOS)。

2011年于乃功等将可增长特征映射图(growing self-organizing feature 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。

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，效率较低。

发明内容

本发明在GSOM神经网络模型基础上引入了方向参数和特征参数构成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等提出的RatSLAM模型中。具体是使用一种方向信息和特征信息构建动态增长自组织特征网DGSOM以避免初始网络结构的计算，并将该神经网络应用于RatSLAM中的视觉细胞中。

一种基于DGSOM神经网络的RatSLAM算法，包括如下步骤：

1)创建DGSOM网络；

2)计算权值向量与输入的距离；

3)决定最佳匹配单元；

4)调节神经元的权重；

5)构建一个新的神经元；

6)将DGSOM模型应用于RatSLAM中。

优选的，所述步骤1)进一步包括：引入输入神经元C＝＜D,F＞，其中D表示神经元方向，F表示神经元特征。如图2所示是DGSOM模型神经元的创建过程，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。

优选的，所述步骤2)进一步包括：在第k个输入v^k平面中，到每一个神经元i的距离d_i可由已知的m个神经元计算得出，现有计算距离的方法有曼哈顿距离、欧氏距离等，这里采用欧几里得距离：

d_min＝min(d_i)

其中，输入神经元c^k＝[ω₁^k,...,ω_i^k,...,ω_m^k]^T，权向量ω_ij＝[ω_1j,...,ω_ij,...,ω_mj]^T。

优选的，所述步骤3)进一步包括：通过引入阈值参数α判定是否需引入新的神经元，决定最佳匹配单元的具体算法为：

优选的，所述步骤4)进一步包括：对于新引入的神经元，有

ω_ij^t+1＝c_ij^k

对于已引入的神经元有

其中，且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，且权重需满足约束条件||ω_ij||≤1。