基于脉冲神经网络的机械手触觉数据分类方法与流程

技术特征：
1.一种基于脉冲神经网络的机械手触觉数据分类方法，其特征在于，所述基于脉冲神经网络的机械手触觉数据分类方法是基于脉冲神经网络结构模型，该模型有8层结构，包括，输入层、图卷积层、3个lif层、2个具有不同输出的全连接层、输出层，步骤s1：输入由触觉传感器采集的数据；步骤s2：用tag卷积自适应输入图的拓扑结构，并输出特征矩阵t
f
；步骤s3：通过lif激活脉冲神经元，发送脉冲；步骤s4：将特征矩阵t
f
通过全连接层将特征映射到y
(1)
，y
(1)
＝w1t
f
b1,其中，y
(1)
为由t
f
线性变化得到的特征空间，w1为权值参数，b1为偏置参数；步骤s5：通过lif激活脉冲神经元，发送脉冲；步骤s6：输入y
(1)
，通过全连接层将特征映射y
(2)
，y
(2)
＝w2y
(1)
b2,其中，y
(2)
为由y
(1)
线性变化得到的特征空间，w2为权值参数，b2为偏置参数；步骤s7：通过lif激活脉冲神经元，发送脉冲；步骤s8：通过具有与物体种类数相同数量的神经元输出在单位时间内获得平均最大票数的预测结果。2.根据权利要求1所述的基于脉冲神经网络的机械手触觉数据分类方法，其特征在于，所述步骤s2中输出的特征矩阵t
f
，其公式为其中，t
f
为第f个输出特征图，c为每个节点的输入特征个数，g
c,f
为第f个图形滤波器，l
c
为所有节点的第c个输入特征，c为每个节点的输入特征数，a
f
为可学习的偏差向量，*表示卷积运算。3.根据权利要求1所述的基于脉冲神经网络的机械手触觉数据分类方法，其特征在于，所述步骤s3中lif的激活函数为f
lif
(u)＝fire a spike&u(t)
←
u
r
,if u(t)≥v
th
，其中，u(t)表示t时间神经元的膜电位，v
th
表示神经元膜电位的阈值，u
r
表示神经元的静息电位，fire a spike表示发射一个脉冲信号。4.根据权利要求1所述的基于脉冲神经网络的机械手触觉数据分类方法，其特征在于，所述步骤s2中tag卷积为3x3x64。5.根据权利要求1所述的基于脉冲神经网络的机械手触觉数据分类方法，其特征在于，在所述步骤s3、s5、s7中均使用的反向传播函数，采用正态分布密度函数近似传播函数，模拟反向传播,正态分布密度函数为拟反向传播,正态分布密度函数为其中u表示输入，a2为函数的宽度系数，π为数学常数，e为自然常数。6.根据权利要求1所述的基于脉冲神经网络的机械手触觉数据分类方法，其特征在于,所述步骤s8中共有36个神经元，对应36种不同物体。

技术总结
本发明涉及一种基于脉冲神经网络的机械手触觉数据分类方法，包括，步骤S1，数据输入；步骤S2，图卷积层；步骤S3，发送脉冲；步骤S4，特征映射；步骤S5，发送脉冲；步骤S6，特征映射；步骤S7，发送脉冲；步骤S8，输出结构。本发明通过构建脉冲神经网络模型，包括，输入层、图卷积层、3个LIF层、2个具有不同输出的全连接层以及输出层；优化隐藏层的模型结构，并通过引入正态分布密度函数近似传播函数来加快模型收敛速度，提高物体分类准确性；通过修改隐藏层的结构，使模型与触觉感知场景更加贴合，更能够模拟实际场景，提高了感知能力，以及模型的鲁棒性。棒性。棒性。


技术研发人员：杨静 吉晓阳 阮小利 李少波 杨观赐 刘庭钦
受保护的技术使用者：贵州大学
技术研发日：2021.10.28
技术公布日：2022/2/18