5、基于脉冲神经网络的机器人联想记忆实现

基于脉冲神经网络的机器人联想记忆实现

1. 联想记忆研究背景

联想记忆（AM）在处理大数据集方面具有重要意义，不同的人工神经网络（ANN）联想记忆模型被提出，其具有特定的网络拓扑结构和学习规则。这些联想学习规则的许多特性反映了具有生物学合理性的突触可塑性模型的不同抽象层次。不过，基于 ANN 的 AM 模型在实时机器人环境下仍有待测试。

近年来，研究人员开始从另一个角度，即使用脉冲神经网络（SNN）来研究 AM 现象。SNN 的固有特性在于其单脉冲分辨率的时间计算方面，而非传统 ANN 所使用的速率编码。因此，SNN 自然适合对神经信息进行排序、定时和同步，这体现了 AM 的一些动态方面。然而，尽管有相关研究，但 SNN 在实时 AM 任务中的研究仍然稀缺，在物理机器人中的实现更是鲜有探索。

本研究旨在为 AM 模型提出一种简单但具实体的细胞机制，利用 SNN 的计算特性来模拟这一普遍现象。在人工智能和机器人领域，自然 AM 属性的优势值得期待，但仍需在更复杂和动态的情况下进行验证。

2. 研究方法

• SNN 模型 ：基于膜电位变化、非线性电流积分、兴奋性或抑制性突触后电位（PSP）、固定阈值、固定不应期值、泄漏参数和静息电位值等标准方程构建 SNN 模型。突触随机延迟设置在 0 到 4 个算法周期之间，以确保输入模式元素中存在最小的脉冲到达时间差，这是在联想神经层使用 STDP 突触规则的关键因素。
  • STDP 学习规则：在定义的时间窗口内，若前脉冲先于后脉冲发生，则突触权重增加；反之，突触权重减小。时间窗口设置为 30 个周期，每对脉冲允许的权重变化设置