具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

如图1所示，本发明提供的一种基于秀丽线虫脉冲神经网络模型的环境感知方法，包括：

步骤1：获取秀丽线虫的神经系统数据、输入状态序列以及目标序列；

其中，神经系统数据包括神经元个数、神经元类型以及神经元之间的连接关系；

Steven J.Cook团队在2019年确定了秀丽线虫神经系统中全部神经元之间的连接关系以及连接方式。根据Steven J.Cook团队的研究成果，线虫神经系统中有302个神经元，神经元之间的连接方式只有化学连接和缝隙连接。化学连接的信息传递具有单向性，所以用单向连接模拟化学连接，用双向连接模拟具有信息双向连通性的缝隙连接。对于秀丽线虫的双向连接，假设其两个方向上的连接强度相互独立，将双向连接拆分为两个互不相干的单向连接，则该脉冲神经网络由302个神经元和5907个单向连接构成。对生物神经系统建模的关键在于保证模型符合生物神经系统的特点，所以对秀丽线虫神经系统所构建的模型应该满足如下三个特点：一是由于生物神经元动态变化，所以应该采用动态神经元模型对线虫的神经元进行建模；二是神经元之间的连接关系应该使用真实线虫神经系统中神经元之间的连接关系，由于线虫神经系统的结构十分复杂，所以所建立的模型是反馈类型的神经网络；三是由于线虫神经系统存在广泛的交叉连通性，所以应该对完整的线虫神经系统进行建模。

步骤2：模拟秀丽线虫神经系统中的神经元的连接关系，构建秀丽线虫脉冲神经网络模型架构以及架构的初始参数，得到初始秀丽线虫脉冲神经网络模型；

其中，秀丽线虫脉冲神经网络架构中神经元个数与神经元数据中的神经元个数相同、秀丽线虫脉冲神经网络模型架构的神经元之间存在一个参数，神经元的连接方式与秀丽线虫的神经元数据的神经元连接方式相同；神经元的个数为302个。

作为本发明一种可选的实施方式，步骤2包括：

步骤21：设置秀丽线虫脉冲神经网络模型的第一神经元，以使第一神经元与神经系统中的第二神经元一一对应；

步骤22：针对每个第二神经元，确定该第二神经元与其他第二神经元的连接方式；

步骤23：针对与第二神经元对应的第一神经元，将该第一神经元与其他第一神经元的连接方式与第二神经元与其他第二神经元连接方式相同，得到初始秀丽线虫脉冲神经网络模型架构；

步骤24：模拟神经系统中的参数，设置初始秀丽线虫脉冲神经网络模型架构的初始参数。

可以理解，在线虫的神经系统中，神经元按照功能的不同分为感觉神经元、中间神经元和运动神经元三类。感觉神经元负责将外界环境各种类型的刺激转化为电信号馈入神经系统，相当于线虫神经系统的输入。线虫的神经系统通过运动神经元控制线虫肌肉使线虫处于相应的运动状态，所以线虫的运动状态可以转化为运动神经元的输出状态，运动神经元相当于线虫神经系统的输出。本发明设计的秀丽线虫脉冲神经网络模型包含输入神经元和输出神经元，分别对应秀丽线虫神经系统中负责感受某种刺激的感觉神经元和控制秀丽线虫产生与输入刺激相对应的行为的运动神经元。

本发明建立了秀丽线虫脉冲神经网络模型架构，模型包含5907个参数，参数的大小限制在-1到1之间，其绝对值大小代表神经元之间连接强度的大小，参数大于0则该连接属于兴奋性连接，参数小于0则该连接属于抑制性连接。模型中神经元之间的连接关系如图2所示，横坐标为发送信息的神经元编号，纵坐标为接收信息的神经元编号。若图2中坐标为(a，b)的位置存在一个点，则存在一条从编号为a的神经元到编号为b的神经元的连接。

表1为线虫神经元的编号表，将线虫的302个神经元编号为从1到302的数。图2体现线虫神经系统的以下四个特点：一是线虫的咽部神经系统较为独立，编号为前20的神经元为线虫的咽部神经元，可以看出咽部神经元基本上不与其它神经元进行信号传递；二是发送信息的神经元多为感觉神经元和中间神经元，图2中反映为左半部点的分布更为密集；三是运动神经元之间的信息交流较多，编号222到292的神经元基本上为控制线虫体壁肌肉的运动神经元，这些神经元之间的信息交流能使线虫的运动更为协调；四是图中的点基本上对称分布在对角线两侧，这是由于在建模过程中将双向连接分解为两个单向连接，而这两个单向连接在图上表现为两个关于对角线对称的点。

本发明建立的秀丽线虫脉冲神经网络模型架构具有以下特点：

(1)上述神经网络模型中神经元状态是随时间变化的，在神经元膜电压没有到达阈值时，神经元不输出信号，当膜电压到达阈值时，神经元输出一个脉冲方波信号。

(2)上述神经网络模型完整地模拟了秀丽线虫神经系统中神经元之间的连接关系。秀丽线虫的神经网络模型具有有大量的环形结构与反馈连接，符合秀丽线虫神经系统结构的特点。

(3)上述神经网络模型包含秀丽线虫全部的302个神经元和神经元之间的全部突触连接，模型具有秀丽线虫神经系统结构上的交叉连通性。

表1秀丽线虫神经元编号

步骤3：将输入状态序列输入至初始秀丽线虫脉冲神经网络模型中，使用优化的遗传算法，通过设置在训练初期的满足能参数搜索空间要求以及在训练后期的交叉概率衰减降低遗传算法中个体个数的交叉概率，目标序列为学习目标，迭代训练初始秀丽线虫脉冲神经网络模型，以使初始秀丽线虫脉冲神经网络模型以学习输入状态输入序列的特征，直至达到最大进化代数，获得训练完成的秀丽线虫脉冲神经网络模型；

由于秀丽线虫脉冲神经网络模型的运行方式，即当给定模型的输入后，如何计算模型的输出。由于该神经网络模型的连接方式不同于普通的层级前馈连接，网络的运行方式也不同于普通的神经网络，其运行方式定义为：

令模型的输入神经元集合为A，输出神经元集合为B，所有神经元的集合为N，模型运行时间长度为T，则网络的输入和输出分别由一个长度为T的序列表示。其中输入序列由每一时刻t的输入神经元状态集合组成，输出序列由每一时刻t的输出神经元状态集合组成。模型中神经元在t时刻的状态分为两种，静息状态和激活状态。若输入神经元a在t时刻受到外界的刺激，则该神经元处于激活状态，即ξ_a(t)＝1，否则该神经元处于静息状态，即ξ_a(t)＝0。若输出神经元b在t时刻输出脉冲方波，则该输出神经元处于激活状态，即ξ_b(t)＝1，否则该神经元处于静息状态，即ξ_b(t)＝0。S(t)表示模型在t时刻的所有输入神经元状态集合，S(t)＝{ξ_a(t)|a∈A}，M(t)表示模型在t时刻的所有输出神经元状态集合，M(t)＝{ξ_b(t)|b∈B}。则输入状态序列为{S(t)}，t＝0,1,2,...,T-1，输出状态序列为{M(t)}，t＝0,1,2,...,T-1。将输入状态序列简称为输入序列，输出状态序列简称为输出序列。

步骤4：将训练完成的秀丽线虫脉冲神经网络模型确定为生物机器人的感知模型，用于感知环境信息。

本发明提供的一种基于秀丽线虫脉冲神经网络模型的环境感知方法，通过获取秀丽线虫的神经系统数据、输入状态序列以及目标序列；模拟秀丽线虫神经系统中的神经元的连接关系，构建初始秀丽线虫脉冲神经网络模型；将输入状态序列输入至初始秀丽线虫脉冲神经网络模型中，使用优化的遗传算法，通过设置在训练初期的满足能参数搜索空间要求以及在训练后期的交叉概率衰减降低遗传算法中个体个数的交叉概率，目标序列为学习目标，迭代训练初始秀丽线虫脉冲神经网络模型，以使初始秀丽线虫脉冲神经网络模型以学习输入状态输入序列的特征，直至达到最大进化代数，获得训练完成的秀丽线虫脉冲神经网络模型，从而确定生物机器人的感知模型，用于感知环境信息。由于本发明的脉冲神经元模型满足生物神经元随时间动态变化的特点，有比较高的生物合理性，并且该模型的传递函数较为简单，计算量大幅减小。

作为本发明一种可选的实施方式，步骤3包括：

步骤31：将输入状态序列输入至初始秀丽线虫脉冲神经网络模型，将目标序列作为初始秀丽线虫脉冲神经网络模型的学习目标，获得输出序列；

可以理解，对于秀丽线虫神经系统的研究虽然已经取得了很多成果，但由于神经系统中神经元之间突触连接的连接强度和兴奋抑制性尚不明确，所以仍然无法理解秀丽线虫神经系统如何控制线虫的肌肉产生各种行为。在秀丽线虫的神经系统中，感觉神经元负责感知外界环境的刺激然后将刺激传入到神经系统中，经过处理形成相应的运动神经元输出，从而控制秀丽线虫的各种肌肉细胞和器官产生各种行为。本发明将秀丽线虫受到的环境刺激模拟为秀丽线虫脉冲神经网络模型的输入序列，将线虫受到环境刺激所产生的运动模拟为输出序列，秀丽线虫的行为可以通过这两个序列表征。

为使秀丽线虫脉冲神经网络模型具备线虫神经系统控制肌肉产生行为的能力，首先对线虫的行为进行建模。根据线虫行为中所涉及到的感觉神经元和运动神经元，确定该脉冲神经网络模型的输入神经元和输出神经元。根据线虫运动过程中感觉神经元和运动神经元状态变化的规律，确定输入序列和目标输出序列。从计算科学的角度来看，该神经网络模型的行为学习任务为：给定模型的输入序列和目标输出序列，优化秀丽线虫脉冲神经网络模型中的参数，使得网络产生的输出序列不断拟合目标输出序列。

步骤32：对初始秀丽线虫脉冲神经网络模型中的每个参数进行基因编码，获得每个参数的基因编码序列；

步骤33：将初始秀丽线虫脉冲神经网络模型的输出序列与目标序列的差异函数作为评价函数；

步骤34：设置遗传算法的遗产参数；

其中，遗传参数包括：初始种群数目L、最大进化代数G、变异概率σ、初始交叉概率γ和交叉概率衰减系数δ；

步骤35：随机生成L个个体作为初始种群P₀；

其中，每个个体代表初始秀丽线虫脉冲神经网络模型中的所有基因编码序列；

步骤36：对初始种群P₀中每两个个体以交叉概率γ进行交叉，将交叉后获得的子代加入初始种群P₀中，当存在个体突变时，将突变后的个体加入初始种群P₀，获得交叉变异之后的种群；

步骤37：将交叉变异之后的种群中的个体按照适应度进行从大到小排序，选择前L个个体组成新的种群；

步骤38：重复步骤36至步骤37，直至种群的进化代数达到最大进化代数；

步骤39：在达到最大进化代数的种群中按照适应度选择个体对应的参数作为初始秀丽线虫脉冲神经网络模型的参数，获得训练完成的秀丽线虫脉冲神经网络模型。

对于本发明提出的秀丽线虫脉冲神经网络模型有5907个需要优化的参数，需要探索一个较大的搜索空间以确定参数值的最优组合，使得该秀丽线虫脉冲神经网络模型的输出序列与目标输出序列相同。在遗传算法中，交叉和变异的目的就是探索更大的参数空间，避免算法收敛于局部的极值点。仅包含选择操作的遗传算法最终将收敛于初始群体中适应值最好的个体而不再改变。同时包含选择机制和个体间交叉操作的遗传算法在进化至某一代时种群的多样性会降为0，此时算法陷入了局部极值点。只有同时具备选择机制、个体间交叉和个体变异操作，遗传算法才能产生良好的效果。但是应用遗传算法优化神经网络模型的参数时，在算法后期当种群中个体的适应度普遍比较高时，通过个体交叉产生的子代一般适应度较低，因此，有些秀丽线虫神经网络模型的参数优化工作中没有使用交叉操作，并且取得了很好的参数优化效果。本发明基于遗传算法提出一种用于秀丽线虫脉冲神经网络模型参数的优化算法，由于本发明所建立的秀丽线虫脉冲神经网络模型具有5907个参数，搜索空间较大，所以在算法的初始阶段，应该使用较大的交叉概率来保证足够大的参数搜索空间，在算法后期由于交叉操作会破坏遗传算法在进化过程中发现的特征，因此使交叉概率不断衰减。学习算法的具体步骤为：

(1)基因编码。采用实数编码方法对秀丽线虫脉冲神经网络模型的5907个参数进行编码。-1至1之间的，实数编码得到5907序列，传播函数，

(2)选取评价函数(目标序列与传播函数传播后的模型输出的差异)和设定遗传算法的参数。参数主要有初始种群数目L、最大进化代数G、变异概率σ、初始交叉概率γ和交叉概率衰减系数δ，需要注意的是，初始交叉概率应该选取较大的值。g表示代数计数器，P_g表示第g代种群。

(3)随机生成L个个体作为初始种群P₀，同时令g＝0。

一个个体是5907个参数，一个参数是个体中的染色体

(4)进行交叉操作，对种群中的两两个体以交叉概率γ进行交叉，将交叉后的子代添加至P_g中。

(5)进行突变操作，种群个体有概率σ发生突变，如果进行突变，则将突变后的个体添加至P_g中。

(6)进行选择操作。将种群P_g中所有的个体按照适应度从大到小排名，只保留前L个个体，形成新的种群P_g+1。

(7)判断是否到达终止条件。若g＝G,则算法结束，种群P_g就是最后优化得到的种群；否则，令g＝g+1,γ＝γ×δ，继续执行步骤(4)。

该学习算法主要有以下两个优点：一是在初始阶段变异操作和较大的交叉概率能够保证前期足够大的参数搜索空间，适用于秀丽线虫脉冲神经网络模型这种参数比较多的模型；二是在算法的后期由于交叉操作得到的子代适应度一般较低，所以不断衰减交叉概率直至为0。此时只包括变异操作，使需要进行选择操作的种群个体数量大大减小，可以加速算法的运行，同时保留的变异操作可以继续寻优。

作为本发明一种可选的实施方式，步骤31包括：

步骤311：构建初始秀丽线虫脉冲神经网络模型中神经元的传递函数；

设计神经元模型的目的是模拟生物神经元，所以应该满足生物神经元的特点。传统的M-P神经元模型属于静态神经元模型，神经元的状态不随时间变化，生物合理性较低。相比于M-P神经元模型，脉冲神经元模型更具有生物合理性，它不仅具有生物神经元信息整合与非线性处理的特点，而且只有当神经元膜电压到达阈值时神经元才会产生输出信号，符合生物神经元状态动态变化的特点。H-H模型是一种经典的脉冲神经元模型，通过四个微分方程描述了神经元膜电压的变化与动作电位的产生机制，具有很高的生物合理性。但是由于该模型比较复杂导致计算复杂度过高，不利于后续的仿真工作。在H-H模型中，主要影响神经元膜电压的两个因素为钠离子通道的电导和钾离子通道的电导，钠离子电导的增加使神经元膜电压升高，钾离子电导的增加使神经元膜电压降低。

将钠离子和钾离子通道电导的非线性变化简化为线性变化，分别由兴奋性输入与抑制性输入控制，本发明在生物合理性和计算高效性之间折衷，提出了一种脉冲神经元模型。

该模型的传递函数为：

其中，放电时间常数，E_Na、E_K分别代表钠离子、钾离子的平衡电势，-E是神经元膜电压的静息电压。参数参考值为，E_Na＝55mv，E_K＝75mv，E＝69mv。u_c表示神经元c的膜电压，一旦u_c的值超过门限电压V_th＝-52mv，神经元将输出一个持续4个单位时间、电压为30mv的脉冲方波，在方波的下降沿神经元膜电压恢复到平衡状态u_c＝-E。也就说，神经元只在膜电压超过阈值时产生输出。x_i代表神经元i的输出，x_j代表神经元j的输出。ω_ic代表神经元i到神经元c的连接系数，ω_ic的绝对值大小表示神经元i到神经元c的连接强度，其符号表示兴奋抑制性，连接系数ω的范围限制为-1＜＝ω＜＝1。集合P_c和Q_c分别代表神经元c接收的兴奋性输入神经元集合和抑制性输入神经元集合。若神经元i到神经元c的连接系数ω_ic＞0，则该连接属于兴奋性连接，即i∈P_c，若ω_ic＜0，则该连接属于抑制性连接，即i∈Q_c。假设神经元c的所有输入神经元的集合为N_c,则满足P_c∪Q_c＝N_c和图3a为该脉冲神经元模型的膜电压与输出电压的变化示意图。图3a为膜电压变化图，当膜电压达到阈值时膜电压会产生突变升高至30mv并输出一个30mv的脉冲方波，如图3b所示。

线虫脉冲神经网络模型中在t时刻每个神经元的膜电压u(t)计算流程如图4。当计算得到了t时刻每个输出神经元的膜电压时，同时也就得到了t时刻所有输出神经元的状态集合M(t)，在经过T个单位时间后就得到了输出序列{M(t)}，t＝0,1,2,...,T-1。如图4可知，线虫脉冲神经网络模型运行方式的特点是在每一时刻同时更新所有神经元的膜电压，更新完毕之后进入下一时刻。

步骤312：将输入状态序列输入至初始秀丽线虫脉冲神经网络模型，将目标序列作为初始秀丽线虫脉冲神经网络模型的学习目标；

步骤313：根据传递函数，确定初始秀丽线虫脉冲神经网络模型在学习过程中激活的神经元以及未激活的神经元；

步骤314：获得初始秀丽线虫脉冲神经网络模型的激活的神经元传递学习特征后得到的输出序列。

作为本发明一种可选的实施方式，步骤37包括：

步骤371：使用评价函数对交叉变异之后的种群中的个体适应度进行评价；

步骤372：将交叉变异之后的种群中的个体按照适应度进行从大到小排序，选择前L个个体组成新的种群。

作为本发明一种可选的实施方式，步骤39包括：

步骤391：使用评价函数评价达到最大进化代数的种群中的个体适应度；

步骤392：选择适应度最高的个体对应的参数，作为初始秀丽线虫脉冲神经网络模型的参数，获得训练完成的秀丽线虫脉冲神经网络模型。

下面通过仿真实验验证本发明提供的感知方法的性能。

将使用遗传算法对秀丽线虫脉冲神经网络模型进行参数优化，通过实验论证本发明提出的学习算法对于该模型进行参数优化的可行性。秀丽线虫脉冲神经网络模型的输入序列和目标输出序列由另外一个参数随机生成的秀丽线虫脉冲网络模型产生，这种随机产生的行为是线虫某种潜在的行为。具体产生步骤如下：

(1)生成一个随机参数的秀丽线虫脉冲神经网络模型。

(2)重复两次3，4步。

(3)随机选择几个感觉神经元作为网络的输入神经元，选择所有的108个运动神经元作为网络的输出神经元。令输入神经元的集合为A，输出神经元的集合为B。

随机生成一个时间长度为T的输入序列{S(t)}，其中t＝0,1,...,T-1。

(4)记录T时间内每一时刻输出神经元的状态，产生一个长度为T的目标输出序列{D(t)}，其中t＝0,1,...,T-1。

取T＝5，通过上述方式生成了两组秀丽线虫脉冲神经网络模型的输入输出序列。其中每组输入输出序列都可以看作是秀丽线虫的某种行为。本实验要通过本发明提出的学习算法来训练该脉冲神经网络模型使其在输入序列的刺激下产生的输出序列与目标输出序列相同，相当于同时训练秀丽线虫脉冲神经网络模型学习两种行为。由于秀丽线虫的神经系统产生的行为不是单一的，所以本实验也对该模型进行多行为学习。对于随机产生的第一种行为，令输入神经元的集合为A⁽¹⁾，输出神经元的集合为B⁽¹⁾，输入序列与目标输出序列分别为{S⁽¹⁾(t)}和{D⁽¹⁾(t)}，其中t＝0,1,...,T-1。同样地，对于随机产生的第二种行为，令输入神经元的集合为A⁽²⁾，输出神经元的集合为B⁽²⁾，输入序列与目标输出序列分别为{S⁽²⁾(t)}和{D⁽²⁾(t)}，其中t＝0,1,...,T-1。学习算法中的评价函数由模型的目标输出序列{D(t)}与实际输出序列{M(t)}的差异决定，差异越小则说明个体的适应度越高，差异越大则说明个体的适应度越低。本发明定义函数F作为遗传算法的评价函数，用于衡量实际输出序列和目标输出序列之间的差异。对于第一种行为，输出神经元i在t时刻的目标状态为实际状态为对于第二种行为，输出神经元j在t时刻的目标状态为实际状态为评价函数F的表达式如下：

其中ω为该秀丽线虫脉冲神经网络模型的连接系数，是待学习的参数。函数F的值越大说明目标输出序列和实际输出序列的差异越大，表示个体的适应度越低；反之，函数F的值越低表示个体的适应度越高。

设置学习算法的参数为：种群数目L＝50，初始交叉概率γ＝0.5，变异概率σ＝0.2，最大进化代数G＝1000，交叉概率衰减系数δ＝0.99。本实验使用种群的平均评价函数值F_avg来衡量种群的平均适应度。F_avg的值越高则说明种群的适应度约低，F_avg的值越低则说明种群的适应度越高。

图5展示了1000次的迭代过程中种群的平均评价函数F_avg的收敛曲线图。由于学习算法在选择过程中只保留最优个体，该曲线单调下降。种群的目标函数F_avg不断减小，表明神经网络模型的实际输出序列越来越接近目标输出序列，最终在所有输出神经元中只有极少数神经元的输出序列与目标输出序列不同，表明本发明提出的学习算法对于学习秀丽线虫脉冲神经网络模型的参数具有可行性。

本发明提出的脉冲神经元模型满足生物神经元随时间动态变化的特点，有比较高的生物合理性。相对于H-H脉冲神经元模型，由于只用一个微分方程来描述膜电压的变化过程，计算量大幅减小，更容易仿真。基于该脉冲神经元模型对秀丽线虫完整的神经系统建模，模型中神经元之间的连接方式与真实的秀丽线虫神经系统保持一致。最后，针对该模型的参数优化问题，提出了一种基于遗传算法的学习算法，并通过实验验证了该学习算法对于优化线虫脉冲神经网络模型参数的可行性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。