·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 modelＳＯＭ），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