-
公开(公告)号：CN108197698B
公开(公告)日：2022-10-14
申请号：CN201711325022.5
申请日：2017-12-13
Applicant: 中国科学院自动化研究所
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明属于认知神经技术领域，具体涉及一种基于多模态融合的多脑区协同自主决策方法。旨在解决现有无人机避障技术成本较高、不够机动灵活以及现有的强化学习方法要求控制对象具有强烈的容错能力的问题。本发明提供一种基于多模态融合的多脑区协同自主决策方法，包括获取障碍物的空间位置信息，将其输入预先构建的多脑区协同强化学习模型；根据环境反馈的奖励信息，通过多巴胺调控和突触可塑性机制，更新所述多脑区协同强化学习模型，实现无人机自主避障。本发明能够准确地评估场景中障碍物的危险程度，并且模拟人脑自主学习过程，让无人机快速准确地学习到避障策略，实现自主躲避障碍物，完成任务。
-
公开(公告)号：CN110826602B
公开(公告)日：2022-04-26
申请号：CN201911014227.0
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明属于计算神经科学及图像分类技术领域，具体涉及了一种基于膜电位调控脉冲神经网络的图像分类方法、系统，旨在解决现有图像分类采用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘的问题。本发明方法包括：通过训练好的图像分类神经网络对分类任务图像进行分类。网络基于三层前馈神经网络构建；基于顺行前馈、膜电位改变和输入电流平衡，分别进行膜电位信息更新；以网络当前层的误差反传上一层调整当前层权值；通过STDP学习机制更新网络突触权值。本发明借鉴生物发现，网络训练所需样本少、收敛快、正确率高，并将受生物现象启发的学习规则加入到网络学习框架中来，模型计算能力强、适应能力高。
-
公开(公告)号：CN109657036B
公开(公告)日：2021-02-02
申请号：CN201811471835.X
申请日：2018-12-04
Applicant: 中国科学院自动化研究所
IPC: G06F16/33 , G06F16/332 , G06F16/36 , G06N5/04
Abstract: 本发明属于认知神经科学领域，具体涉及一种基于类脑语义层次时序记忆推理模型的问答方法、系统，旨在解决文本生成、自动问答等自然语言理解任务的小样本学习问题。本发明方法包括：获取问题文本和回答文本并输入；对文本时序池化得到词向量矩阵；将词向量矩阵中每个词向量空间和时间池化，得到词向量对应的每一位为0或1的二值词表示集；将文本和词集进行类脑学习，得到优化后的模型；将问题文本单独输入，基于模型中的细胞预测状态进行词的规约，得到回答文本并输出。本发明结合语义层次时序记忆模型，基于小样本数据，知识推理的学习方式进行模型的构建，对样本的数量要求低，没有大量参数需要调节，增加了模型的可拓展性。
-
公开(公告)号：CN110788865A
公开(公告)日：2020-02-14
申请号：CN201911251206.0
申请日：2019-12-09
Applicant: 中国科学院自动化研究所
IPC: B25J9/16
Abstract: 本发明属于人工智能以及机器人领域，具体涉及了一种基于多脑区协同条件反射模型的机器人控制方法及系统，旨在现有机器人控制方法对环境适应能力不高解决的问题。本发明方法包括：编码机器人有害刺激作为非条件刺激，选取机器人环境中可预见的非条件刺激信号作为条件刺激；基于神经元模型构建类脑计算生物神经网络模型，通过条件与非条件刺激习得条件反射；通过类脑计算生物神经网络模型获取机器人行为类别；获取行为类别对应的控制指令进行机器人控制。本发明机器人可以根据环境中一些可以预见非条件刺激的信号作为条件刺激，形成条件反射，无需把多变的环境变量全部编码到机器人中，大大提高了机器人对环境的适应能力。
-
公开(公告)号：CN106815550B
公开(公告)日：2020-02-07
申请号：CN201611059266.9
申请日：2016-11-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于视觉恐惧反应脑机制的应急避障方法。其中，该方法包括获取图像序列；基于视网膜信息处理机制，检测图像序列中障碍物的运动方向和运动速度；基于障碍物的运动方向和运动速度，根据PV+神经元信息处理机制，进行逼近式运动检测，得到逼近式运动响应；基于逼近式运动响应，根据丘脑枕信息处理机制，确定最危险区域；对最危险的区域做出应急避障行为。通过上述技术方案，本发明实施例借鉴动物或者人类能够对危险对象产生快速防卫行为的能力，结合恐惧反应的脑机制，解决了如何提高应急反应能力的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN109871944A
公开(公告)日：2019-06-11
申请号：CN201910135807.9
申请日：2019-02-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种受大脑抑制反馈机制启发的人工神经网络构建方法及系统，所述构建方法包括：将多个参考样本的人工神经网络中的神经元区分为兴奋性神经元和抑制性神经元；通过抑制性反馈对抑制性神经元进行抑制，得到抑制性反馈神经网络；将抑制性反馈神经网络重组为闭环神经网络，用于针对当前样本的反馈学习确定决策规则本发明通过引入神经科学中的兴奋性和抑制性神经元的概念，可优化整体神经网络的性能；进一步通过引入抑制反馈后的闭环系统可提高鲁棒性能。
-
公开(公告)号：CN112116010B
公开(公告)日：2023-12-12
申请号：CN202010995633.6
申请日：2020-09-21
Applicant: 中国科学院自动化研究所
IPC: G06F18/241 , G06N3/0464 , G06N3/06 , G06N3/08
Abstract: 本发明属于类脑智能、人工智能领域，具体涉及一种基于膜电势预处理的ANN‑SNN转换的分类方法，旨在解决现有的ANN‑SNN转换方法获取的脉冲神经网络存在较大的时间延迟以及网络分类性能较低的问题。本系统方法包括获取待分类数据并进行实值编码，将实值编码后的数据作为输入数据；将输入数据输入通过ANN‑SNN转换后的脉冲神经网络中，结合IF神经元的软重置，通过设定时间步长的膜电势预处理，得到预初始化的膜电势信息；将输入数据重新输入所述脉冲神经网络中，结合预初始化的膜电势信息，通过前向传播得到待分类数据的分类结果。本发明提高了收敛速度，减小了时间延迟，并提高了网络的分类性能。
-
公开(公告)号：CN110788865B
公开(公告)日：2021-01-29
申请号：CN201911251206.0
申请日：2019-12-09
Applicant: 中国科学院自动化研究所
IPC: B25J9/16
Abstract: 本发明属于人工智能以及机器人领域，具体涉及了一种基于多脑区协同条件反射模型的机器人控制方法及系统，旨在现有机器人控制方法对环境适应能力不高解决的问题。本发明方法包括：编码机器人有害刺激作为非条件刺激，选取机器人环境中可预见的非条件刺激信号作为条件刺激；基于神经元模型构建类脑计算生物神经网络模型，通过条件与非条件刺激习得条件反射；通过类脑计算生物神经网络模型获取机器人行为类别；获取行为类别对应的控制指令进行机器人控制。本发明机器人可以根据环境中一些可以预见非条件刺激的信号作为条件刺激，形成条件反射，无需把多变的环境变量全部编码到机器人中，大大提高了机器人对环境的适应能力。
-
公开(公告)号：CN112085173A
公开(公告)日：2020-12-15
申请号：CN202010985922.8
申请日：2020-09-18
Applicant: 中国科学院自动化研究所
IPC: G06N3/04
Abstract: 本发明属于认知神经科学技术领域，具体涉及一种基于脉冲神经网络的知识表征方法、系统、装置，旨在解决现有基于知识表征容错能力较差的问题。本系统方法包括获取待知识表征的文本，作为输入文本；通过Glove算法提取输入文本中每个词设定维度的词向量矩阵并进行归一化处理；将归一化后的各词向量矩阵中的每一个元素作为相应词向量对应维度的电流强度，并通过boost升压电路进行电流增强；通过Izhikevich神经元模型获取增强后的各电流强度对应的脉冲发放时间序列，并构建脉冲发放时间矩阵；对各脉冲发放时间矩阵进行扁平化处理，并结合预设的容忍度，得到各词向量最终的二值知识表征。本发明提升了知识表征的容错能力。
-
公开(公告)号：CN110826437A
公开(公告)日：2020-02-21
申请号：CN201911014231.7
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算神经科学及智能机器人领域，具体涉及了一种基于生物神经网络的智能机器人控制方法、系统、装置，旨在解决现有的海马启发脉冲生物神经网络模型无法实现智能机器人复杂模式控制的问题。本发明方法包括：基于生物海马区亚区的结构和功能启发构建特征提取、特征关联学习神经网络，对智能机器人环境图像进行处理；采用分类神经网络基于得到的特征向量获取智能机器人行为类别；通过智能机器人行为类别-控制命令关系，获得智能机器人控制命令。本发明生物神经网络模型在抗噪性能上有很大的提升，提高了复杂背景下的物体感知、高噪声背景下的物体识别的正确率，网络模型的鲁棒性好，为NAO智能机器人控制提供了一个有效的决策方法。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
