[发明专利]一种基于脉冲神经网络在非完美信息条件下决策的方法

说明书

一种基于脉冲神经网络在非完美信息条件下决策的方法，建立输入层，对非完美信息条件下的信息进行预处理，将输入信息转换为脉冲信号，产生并激发输入层神经元；建立规则层，将所有可能发生的事件划分为样本点，每个样本点对应产生一个规则层神经元，将所有可以激发样本点的输入层神经元与该样本点对应的规则层神经元全连接；建立决策层，在决策层生成神经元，决策层神经元个数和规则层神经元个数相等，将规则层神经元和决策层神经元一一对应，并建立决策层层内连接；建立输出层，根据决策层的网络结构和权值输出信号。本发明可实现非完美信息条件下决策的通用方法，网络结构简单，不涉及大量计算，提高在非完美信息条件下决策的效率且准确度更高。

技术领域

本发明属于人工智能、神经网络技术领域，特别涉及一种基于脉冲神经网络在非完美信息条件下决策的方法。

背景技术

脉冲神经网络(Spiking Neural Network，SNN)作为第三代神经网络，是一种极具生物可解释性的仿生型人工神经网络，通过拟合生物神经元机制来进行计算。在人类生活种普遍存在着非完美信息条件，类似扑克游戏，智能驾驶等都存在着对于信息的不完全知晓。这种情况下的数据庞大驳杂，存在“维数灾难”问题，所以传统人工神经网络处理决策存在着技术难关。目前的深度强化学习算法以deep Q-network(DNQ)为代表的模型和Q-learning算法，是基于梯度下降来优化网络参数较大，计算量大。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于脉冲神经网络在非完美信息条件下决策的方法，第一方面，采用生物神经元模型，如LIF神经元，更具有生物可解释性；第二方面，信息的输入，传递，处理，输出都是基于脉冲序列，蕴含的信息量更大；第三方面，计算量小，运算速度快，决策速度快，超低功耗。

为了实现上述目的，本发明采用的技术方案是：

一种基于脉冲神经网络在非完美信息条件下决策的方法，包括如下步骤：

步骤一：建立输入层(layer1)，对非完美信息条件下的信息进行预处理，将输入信息转换为脉冲信号，产生并激发输入层神经元；

步骤二：建立规则层(layer2)，将所有可能发生的事件划分为基本事件即样本点，每一个样本点对应产生一个规则层的神经元，将所有可以激发样本点的输入层神经元与该样本点对应的规则层神经元全连接；

步骤三：建立决策层(layer3)，在决策层生成神经元，决策层神经元个数和规则层神经元个数相等，将规则层神经元和决策层神经元一一对应，并根据HEBB规则和空间位置关系建立决策层层内连接；

步骤四：建立输出层(layer4)，根据决策层的网络结构(即层内连接)和权值(决策层连到输出层的权值)决定输出信号。

进一步地，所述步骤一具体包括以下步骤：

步骤1.1)，输入非完美信息条件下的信息；

步骤1.2)，根据非完美信息条件下的信息确定输入层神经元的个数；

步骤1.3)，将信息按照脉冲转换规则转换为脉冲发射时间t1，t2，……，tn；

步骤1.4)，在神经网络的输入层中找到输入信息的对应神经元，设置其脉冲发射时间为t1，t2，……，tn。

所述步骤1.2)中，非完美信息条件下的信息与输入层神经元的个数之间的关系是：将所有的输入信息切割成最基本的信息输入，定义每一种基本信息输入，每一种定义对应一个输入层神经元。

所述步骤二具体包括以下步骤：

步骤2.1)，将所有可能发生的事件划分为m个基本事件；

步骤2.2)，在规则层生成m个神经元，将m个基本事件分别对应规则层中的m个神经元；