CN105607041B - 基于仿生沙蝎定位功能的脉冲定位模型 - Google Patents
基于仿生沙蝎定位功能的脉冲定位模型 Download PDFInfo
- Publication number
- CN105607041B CN105607041B CN201510604959.0A CN201510604959A CN105607041B CN 105607041 B CN105607041 B CN 105607041B CN 201510604959 A CN201510604959 A CN 201510604959A CN 105607041 B CN105607041 B CN 105607041B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- neuron
- scorpion
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000239226 Scorpiones Species 0.000 title claims abstract description 38
- 210000002569 neuron Anatomy 0.000 claims abstract description 91
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 239000004576 sand Substances 0.000 claims description 29
- 239000011664 nicotinic acid Substances 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 7
- 230000002964 excitative effect Effects 0.000 claims description 6
- 239000012528 membrane Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 210000001364 upper extremity Anatomy 0.000 claims description 5
- 210000001044 sensory neuron Anatomy 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 210000001926 inhibitory interneuron Anatomy 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract description 4
- 206010001497 Agitation Diseases 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 108020003175 receptors Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 241001481692 Mesobuthus martensii Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000522620 Scorpio Species 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 108091008698 baroreceptors Proteins 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001774 pressoreceptor Anatomy 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 239000009490 scorpio Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000004222 sensilla Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Percussion Or Vibration Massage (AREA)
Abstract
一种基于仿生沙蝎定位功能的脉冲定位模型,属于信息处理技术领域。本发明的目的是在非视觉情况下进行定位,利用基质传递的振动信号对目标进行定位的基于仿生沙蝎定位功能的脉冲定位模型。本发明的步骤是:①定义传感器位置,②神经元建模,③设定8个神经元模型的相互作用,④利用神经元的兴奋性定位。本发明仿生沙蝎触觉定位猎物的功能,利用振动传感器代替沙蝎的机械感觉接收器BBCS接收振动信号,并按照BCSS的排列方式进行组合,然后通过神经网络内部的相互作用,神经元对振动信号进行评价,从而进行定位。本发明仿生沙蝎的振动定位减少了所处理信号的信息量,减少运算量从而缩短定位的时间。
Description
技术领域
本发明属于信息处理技术领域。
背景技术
在自然界中,许多物种通过地面传播的“声波”来交流或者定位猎物,例如沙蝎、蜘蛛等八足节肢动物可以利用位于腿部末端的感觉器官发现猎物。“Prey Detection by theSand”文章中表明沙蝎是利用沙子传递的振动来定位猎物或者与同类交流的。沙蝎的感觉器官为基跗节复合缝感受器BCSS(basitarsal compound slit sensilla),利用BCSS探测基质传播的低速低频表面波。捕猎时,沙蝎会随着猎物的运动而前进或转动,通过探测低速低频振动信号来发现运动的猎物,它可以探测到小到0.1nm的振动信号,并精确找到猎物所在的位置。但是沙蝎的定位距离是有限的,文章指出沙蝎可以定位10cm内猎物的方向和距离,距离达到30cm时则只能感知到方向。文章表明沙蝎定位猎物利用的是波到达的相对时间,而不是波的相对强度。
发明内容
本发明的目的是在非视觉情况下进行定位,利用基质传递的振动信号对目标进行定位的基于仿生沙蝎定位功能的脉冲定位模型。
本发明的步骤是:
①定义传感器位置:
根据沙蝎八条腿上感受器BCSS的位置,以沙蝎的正前方为0°,将振动传感器分别置于沙蝎八条腿的末端,则各传感器置于各BCSS的位置,以沙蝎右侧前腿为编号1,顺时针进行编号,其角度分别为
(1)
;
②神经元建模:
依据仿生生物神经元的三个基本特征利用RC电路模型建立神经元模型,如下式所示
,
(2)
令,则根据式(2)得到为
, (3);
其中,为神经元模型输入;代表神经元静息电势,、为电容电阻,设定式(2)、式(3)中的参数、、;表示神经元模型膜电压;
③设定8个神经元模型的相互作用:
假设每个方向上传感器激活一个感觉神经元,该感觉神经元将振动信号传递给一个指令神经元,为指令神经元提供兴奋输入
(4)
由指令神经元对振动信号进行评价,同时方向的指令神经元会激活抑制性中间神经元抑制反向相邻三个方向,,的指令神经元,即抑制输入为
(5)
其中,为一直输入的权重系数,依据神经元与应用模型特性相结合令;
采用两路信号的相关性来计算信号到达的时间差,直接计算两路信号的互相关函数,即
(6)
其中,、(,,)分别为两路信号,为两路信号的时间差,代表、两路信号的互相关函数;即时间差为
(7);
一个神经元模型的输入为
(8);
④利用神经元的兴奋性定位:
采用上述神经元模型并通过神经元之间的相互作用将8路震动信号转换成不同数量的脉冲,即当时会产生一个脉冲,产生脉冲后恢复到静息电势,同时对8个指令神经元模型产生的脉冲进行计数,对应每一个方向计数结果为;神经元特性与应用模型相结合,令;
定义整体向量,即
(9)
其中,为向量模长,为向量方向,,其相角表示经过整体向量处理后得到的响应角度;通过式(9)推倒出
(10)
因此利用式(10)即可得到所述的脉冲定位模型的方向定位结果。
本发明仿生沙蝎触觉定位猎物的功能,利用振动传感器代替沙蝎的机械感觉接收器BBCS接收振动信号,并按照BCSS的排列方式进行组合,然后通过神经网络内部的相互作用,神经元对振动信号进行评价,从而进行定位。本发明仿生沙蝎的振动定位减少了所处理信号的信息量,减少运算量从而缩短定位的时间。
附图说明
图1是是沙蝎接收信号的流程图;
图2 是本发明中所述的沙蝎基跗节缝感受器BBCS的角度分布以及方向定义;
图3 是本发明中所述的定位模型中8个神经元模型分布;
图4 是输入信号足够大时输出的脉冲信号;
图5 是输入信号为周期性信号时输出的脉冲信号;
图6 是输入信号为随机信号时输出的脉冲信号;
图7 是本发明中所述的神经元三重抑制模型。
具体实施方式
本发明所述的非视觉定位是利用基质传递的振动信号对目标进行定位,是仿生沙蝎利用触觉定位猎物的功能,沙蝎对猎物的定位过程如图1所示,由BCSS接收来自猎物的振动信号,然后将振动信号传递给感觉神经元转化为电信号,最后传递给指令神经元,经过决策定位猎物。利用振动传感器代替沙蝎的机械感觉接受器BBCS接收振动信号,然后通过所假设的神经元的相互作用进行目标定位。仿生沙蝎的振动定位减少了所处理信号的信息量,减少运算量从而缩短定位的时间。
所述的利用振动信号对目标进行定位包括如下步骤:
①定义传感器位置:
根据沙蝎八条腿上感受器BCSS的位置,如图2所示,以沙蝎的正前方为0°,将振动传感器分别置于沙蝎八条腿的末端,则各传感器置于各BCSS的位置,以沙蝎右侧前腿为编号1,顺时针进行编号,其角度分别为
(1)
;将八个传感器按照上述角度固定到木板上,如图3所示,这样八个振动传感器组成了一套的组合传感器,接收的震动信号为。
②神经元建模:
仿生生物神经元的特征进行建模,主要有以下三个基本特征:
1)输入信号电压的积累,可采用积分电路的形式。
2)当膜电位达到阈值时会形成脉冲,脉冲用于传递相关信息。
3)脉冲发放后膜电位的重置,神经元处于完全不应期阶段,再强的刺激也不给予反应。
I&F模型是最常见的简化模型之一,可简单的将神经元描述为RC电路。依据仿生生物神经元的三个基本特征利用RC电路模型建立神经元模型,如下式所示
,
(2)
令,则根据式(2)得到为
, (3);
其中,为神经元模型输入;代表神经元静息电势,、为电容电阻,表示神经元模型参数,将神经元特性与应用模型相结合,设定式(2)、式(3)中的参数、、;表示神经元模型膜电压;对于一个独立的神经元而言,当足够大的信号输入神经元时持续不断的产生脉冲信号,如图4所示;当周期性的信号输入神经元时输出为周期性信号,如图5所示;当随机信号输入神经元时输出的脉冲也是随机的,如图6所示。
③设定8个神经元模型的相互作用:
利用沙蝎传递振动信号的过程,对神经网络传递信号的过程进行设定。假设每个方向上传感器激活一个感觉神经元,如图7所示,该感觉神经元将振动信号传递给一个指令神经元,为指令神经元提供兴奋输入
(4)
由指令神经元对振动信号进行评价,同时方向的指令神经元会激活抑制性中间神经元抑制反向相邻三个方向,,的指令神经元,即抑制输入为
(5)
其中,为一直输入的权重系数,依据神经元与应用模型特性相结合令;所以每个指令神经元构成一个3/1构型,即一个兴奋输入和一个反向的三重抑制输入。
同时在3/1构型下,先激活的神经元比后激活的神经元抑制作用更强,通过计算两路信号的时间差来判断神经元激活的顺序。由于利用绝对时间相减要求传感器严格同步,并且易产生误差,所以采用两路信号的相关性来计算信号到达的时间差。利用相关性计算得到的时间差精度高,从而提高定位角度的准确度。直接互相关法是最传统的时延估计方法,就是直接计算两路信号的互相关函数,即
(6)
其中,、(,,)分别为两路信号,为两路信号的时间差,代表、两路信号的互相关函数;相关函数最大值就是输入信号到达两个传感器的时间差的估计,即时间差为
(7);
若,则信号先到达,信号后到达,所以;若,则信号后到达,信号先到达,所以不变。因此,一个神经元模型的输入为
(8)。
④利用神经元的兴奋性定位:
当神经元受到兴奋刺激时产生脉冲,脉冲产生的数量与神经元受刺激的时间长短有关。由于三重抑制的存在每个指令神经元都会形成一个响应刺激的时间窗口。如果抑制比兴奋先到达,指令神经元发射脉冲的概率降低。采用上述神经元模型并通过神经元之间的相互作用将8路震动信号转换成不同数量的脉冲,即当时会产生一个脉冲,产生脉冲后恢复到静息电势,同时对8个指令神经元模型产生的脉冲进行计数,对应每一个方向计数结果为。神经元特性与应用模型相结合,令。神经元发射的脉冲数表现出神经元的兴奋程度,根据指令神经元的兴奋性进行定位,定义整体向量,即
(9)
其中,为向量模长,为向量方向,,其相角表示经过整体向量处理后得到的响应角度;通过式(9)推倒出
(10)
因此利用式(10)即可得到所述的脉冲定位模型的方向定位结果。
依据上述步骤,采用模拟震动信号进行验证。模拟震动信号为传递过程中无噪声的正弦信号。验证结果如下表所示:
距离估计:
在现有的神经元模型的基础上加入了一种可以估计距离的定位机制。利用沙蝎跗节毛感受器THS的神经元活性和目标距离的数量关系建立模型,对目标距离进行估计,计算公式为
(11)
其中,表示目标距离,表示THS神经元发射的总脉冲数。、为距离估计参数。
当、并且震源信号随距离而衰减时,在距离估计结果下表所示:
。
Claims (1)
1.一种基于仿生沙蝎定位功能的脉冲定位模型,其特征在于:其步骤是:
①定义传感器位置:
根据沙蝎八条腿上感受器BCSS的位置,以沙蝎的正前方为0°,将振动传感器分别置于沙蝎八条腿的末端,则各传感器置于各BCSS的位置,以沙蝎右侧前腿为编号1,顺时针进行编号,其角度分别为
②神经元建模:
依据仿生生物神经元的三个基本特征利用RC电路模型建立神经元模型,如下式所示
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
</mrow>
<mi>R</mi>
</mfrac>
<mo>+</mo>
<mi>C</mi>
<mfrac>
<mrow>
<msub>
<mi>du</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中uk(t)是第k个神经元模型在时间t时的膜电压,t代表时间,k代表第k个神经元模型,令duk(t)=uk(t+1)-uk(t),则根据式(2)得到uk(t+1)为
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
<mi>C</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
</mrow>
<mrow>
<mi>R</mi>
<mi>C</mi>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,Ik(t)为神经元模型输入;E代表神经元静息电势,R、C为电容电阻,设定式(2)、式(3)中的参数E=0V、R=105Ω、C=10-1F;u表示神经元模型膜电压;
③设定8个神经元模型的相互作用:
假设每个方向γk(k=1,2,...,8)上传感器激活一个感觉神经元,该感觉神经元将振动信号传递给一个指令神经元,为指令神经元提供兴奋输入
Iexk=Vk (4)
其中Vk是第k个神经元模型接收的震动信号,由指令神经元对振动信号进行评价,同时γk方向的指令神经元会激活抑制性中间神经元抑制反向相邻三个方向的指令神经元即抑制输入为
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mrow>
<mover>
<mi>k</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>V</mi>
<mover>
<mi>k</mi>
<mo>&OverBar;</mo>
</mover>
</msub>
<mo>+</mo>
<msub>
<mi>V</mi>
<mrow>
<mover>
<mi>k</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>w</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,w为一直输入的权重系数,依据神经元与应用模型特性相结合令w=0.02;采用两路信号的相关性来计算信号到达的时间差,直接计算两路信号的互相关函数,即
<mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
<msub>
<mi>V</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>V</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Vk、Vj(k=1,2,...,8, )分别为两路信号,m为两路信号的时间差,代表Vk、Vj两路信号的互相关函数;即时间差Δtkj为
<mrow>
<msub>
<mi>&Delta;t</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>max</mi>
<mo>{</mo>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<msub>
<mi>V</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
一个神经元模型的输入为
Ik(t)=Iexk(t)-Iink(t) (8),
其中Iexk(t)是时间t时第k个神经元模型的兴奋输入,Iink(t)是时间t时第k个神经元模型的抑制输入;
④利用神经元的兴奋性定位:
采用上述神经元模型并通过神经元之间的相互作用将8路震动信号转换成不同数量的脉冲,即当u>Uthre时会产生一个脉冲,产生脉冲后u恢复到静息电势E,同时对8个指令神经元模型产生的脉冲进行计数,对应每一个方向γk(k=1,2,...,8)计数结果为第k个神经元模型产生的脉冲数nk(k=1,2,...,8);神经元特性与应用模型相结合,Uthre是神经元发射脉冲的阈值,是参数常量,令Uthre=0.8;
定义整体向量neiφ,即
<mrow>
<msup>
<mi>ne</mi>
<mrow>
<mi>i</mi>
<mi>&phi;</mi>
</mrow>
</msup>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>i&gamma;</mi>
<mi>k</mi>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n为向量模长,φ为向量方向,是复数的指数形式,eiφ=cosφ+i sinφ,其相角φ表示经过整体向量处理后得到的响应角度;通过式(9)推倒出
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mi>arg</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>i&gamma;</mi>
<mi>k</mi>
</msub>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
因此利用式(10)即可得到所述的脉冲定位模型的方向定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604959.0A CN105607041B (zh) | 2015-09-22 | 2015-09-22 | 基于仿生沙蝎定位功能的脉冲定位模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604959.0A CN105607041B (zh) | 2015-09-22 | 2015-09-22 | 基于仿生沙蝎定位功能的脉冲定位模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105607041A CN105607041A (zh) | 2016-05-25 |
CN105607041B true CN105607041B (zh) | 2018-04-10 |
Family
ID=55987119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510604959.0A Active CN105607041B (zh) | 2015-09-22 | 2015-09-22 | 基于仿生沙蝎定位功能的脉冲定位模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105607041B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121878B (zh) * | 2018-01-05 | 2022-05-31 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
CN109709511B (zh) * | 2018-12-29 | 2024-03-01 | 中国人民解放军陆军工程大学 | 神经元仿生电路和信号时差检测*** |
CN109738698B (zh) * | 2018-12-29 | 2024-04-30 | 中国人民解放军陆军工程大学 | 神经元仿生电路和信号频率检测*** |
CN110245707B (zh) * | 2019-06-17 | 2022-11-11 | 吉林大学 | 基于蝎子定位的人体行走姿态振动信息识别方法及*** |
CN113483885B (zh) * | 2021-07-06 | 2022-05-31 | 吉林大学 | 一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5128904A (en) * | 1991-10-11 | 1992-07-07 | Western Atlas International, Inc. | Method for estimating the location of a sensor relative to a seismic energy source |
CN101887271A (zh) * | 2010-07-19 | 2010-11-17 | 东莞职业技术学院 | 一种移动机器人的路径规划方法 |
CN102680976A (zh) * | 2011-03-15 | 2012-09-19 | 深圳光启高等理工研究院 | 一种车载雷达*** |
CN103029818A (zh) * | 2012-12-18 | 2013-04-10 | 浙江工业大学 | 一种仿生海底生物捕捞机器人 |
CN104165626A (zh) * | 2014-06-18 | 2014-11-26 | 长春理工大学 | 仿生复眼成像目标定位*** |
-
2015
- 2015-09-22 CN CN201510604959.0A patent/CN105607041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5128904A (en) * | 1991-10-11 | 1992-07-07 | Western Atlas International, Inc. | Method for estimating the location of a sensor relative to a seismic energy source |
CN101887271A (zh) * | 2010-07-19 | 2010-11-17 | 东莞职业技术学院 | 一种移动机器人的路径规划方法 |
CN102680976A (zh) * | 2011-03-15 | 2012-09-19 | 深圳光启高等理工研究院 | 一种车载雷达*** |
CN103029818A (zh) * | 2012-12-18 | 2013-04-10 | 浙江工业大学 | 一种仿生海底生物捕捞机器人 |
CN104165626A (zh) * | 2014-06-18 | 2014-11-26 | 长春理工大学 | 仿生复眼成像目标定位*** |
Also Published As
Publication number | Publication date |
---|---|
CN105607041A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105607041B (zh) | 基于仿生沙蝎定位功能的脉冲定位模型 | |
CN106030620B (zh) | 用于随机尖峰贝叶斯网络的基于事件的推断和学习 | |
Sarkar et al. | Artificial neural networks for event based rainfall-runoff modeling | |
CN105760930B (zh) | 用于aer的多层脉冲神经网络识别*** | |
JP6130056B2 (ja) | スパイキングネットワークの効率的なハードウェア実装 | |
CN105684002B (zh) | 用于使用监督式学习对种类加标签的方法和装置 | |
CN105934766B (zh) | 用阴影网络来监视神经网络 | |
Li et al. | Global exponential stability analysis on impulsive BAM neural networks with distributed delays | |
JP2017513127A (ja) | スパイキング深層信念ネットワーク(dbn)におけるトレーニング、認識、および生成 | |
KR20160136364A (ko) | 콜드 뉴런 스파이크 타이밍 역 전파 | |
Wang et al. | Design of controller on synchronization of memristor-based neural networks with time-varying delays | |
CN106133755A (zh) | 使用尖峰发放神经网络的图像的不变对象表示 | |
JP2015510195A5 (zh) | ||
CN105531724A (zh) | 用于调制神经设备的训练的方法和装置 | |
Karadurmus et al. | An artificial neural network model for the effects of chicken manure on ground water | |
CN106104585A (zh) | 经由阈下调制的模拟信号重构和识别 | |
CN106068519A (zh) | 用于共用神经元模型的高效实现的方法和装置 | |
CN105874478A (zh) | 用于自动纠错的同时的等待时间编码和速率编码 | |
JP2016532216A (ja) | 人工神経システムにおけるブレークポイント決定ユニットを実現するための方法および装置 | |
CN105706121B (zh) | 神经网络模型中的多普勒效应处理 | |
JP2017509973A (ja) | 座標変換のための位相コーディング | |
Saraf et al. | An IVR based intelligent guidance stick for blind | |
Jing et al. | Study on characteristic of fractional master-slave neural network | |
Hittanagi et al. | Forecasting of water table fluctuation for Priyadarshini watershed using Ann with different algorithms | |
Garreau et al. | Person localization through ground vibrations using a sand-scorpion inspired spiking neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |