CN113643748B - 一种网格细胞空间信息解码方法及*** - Google Patents
一种网格细胞空间信息解码方法及*** Download PDFInfo
- Publication number
- CN113643748B CN113643748B CN202110857919.2A CN202110857919A CN113643748B CN 113643748 B CN113643748 B CN 113643748B CN 202110857919 A CN202110857919 A CN 202110857919A CN 113643748 B CN113643748 B CN 113643748B
- Authority
- CN
- China
- Prior art keywords
- cell
- decoding
- grid
- cells
- grid cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000006073 displacement reaction Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 210000001020 neural plate Anatomy 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000007620 mathematical function Methods 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims description 163
- 210000005036 nerve Anatomy 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 241001465754 Metazoa Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000002475 olfactory pathway Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种网格细胞空间信息解码方法及***,该解码方法包括以下步骤:S1、吸引子模型简化:使用预设的显示数学函数替代吸引子细胞动力学方程;S2、网格细胞解码:利用网格细胞群体的放电活动对大鼠所处位置进行解码;S3、多空间尺度网格细胞解码:基于傅里叶变换思想,使用预设数量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。有益效果:有效地解决吸引子模型计算量大的问题,有利于算法的实时性,利用网格细胞群体的放电活动对大鼠所处位置进行解码,能够有效地实现网格细胞的解码,本发明不仅可以适用于生物学的实时计算,而且还可以嵌入机器人***进行实时计算。
Description
技术领域
本发明涉及生物信息解码技术领域,具体来说,涉及一种网格细胞空间 信息解码方法及***。
背景技术
2005年Hafting等通过大鼠实验,发现大鼠内嗅皮层存在一种对空间位置 具有强烈周期性放电特性的神经细胞,该细胞的放电野呈现六边形网格状并布 满整个活动空间,这种神经细胞被称为网格细胞。网格细胞属于动物大脑中的 一种细胞,存在于内嗅皮层,具有显著的空间放电特征,并呈现出网格图样的 放电结构。它的主要作用是帮助动物和人类认路。
对于网格细胞完成的运动路径的整合,要实现在位置细胞上的表达和引导 向目标导航,则需要对空间信息解码。网格细胞放电的在空间上的周期性已经 被实验和理论神经科学家注意到,被认为构成一个度量空间。而网格细胞放电 是离散间隔的,所以动物运动的位移可以放电模态移动的相位来估计。因此, 本发明提出了一种生物学上可行,同时也能在嵌入在机器人***上实时计算的解码方法。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种网格细胞空间信息解码方法及 ***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种网格细胞空间信息解码方法,该 解码方法包括以下步骤:
S1、吸引子模型简化:使用预设的显示数学函数替代吸引子细胞动力 学方程;
S2、网格细胞解码:利用网格细胞群体的放电活动对大鼠所处位置进 行解码;
S3、多空间尺度网格细胞解码:基于傅里叶变换思想,使用预设数量 等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。
进一步的,所述S1中使用预设的显示数学函数替代吸引子细胞动力学 方程包括以下步骤:
S101、利用预设的Von Mises函数对条纹细胞放电特性进行拟合;
S102、构建高斯函数的周期性推广函数:
Ωj(x)=nmax·exp{k[cos(2π(x-cj)/λ)-1]};
式中,nmax表示最大的期望放电率,k表示增益系数,cj表示细胞j的 空间优先相位,λ表示细胞j的空间周期,x表示位移矢量;
S103、利用预设的网格细胞空间放电概率函数将三个夹角为预设角度 的条纹波进行叠加;
S104、对网格细胞建模得到用于描述在位置时细胞平均放 电率的函数/>其中函数/>的公式如下:
式中,nmax表示最大的期望放电率,表示各个方向条纹细胞对应的波 矢,k表示增益系数,w表示角频率,x表示位移矢量;
S105、设定六边形网格特性与x轴对齐,得到各条纹细胞对应的波矢为φl=-π/6+lπ/3;
S106、使用替代/>得到网格细胞j的二维空间的放电模态相位/>
进一步的,所述S103中三个夹角的预设角度为60度。
进一步的,所述S2中利用网格细胞群体的放电活动对大鼠所处位置进 行解码包括以下步骤:
S201、记录当前位置网格细胞i的放电率ni,得到神经板群体的响应向量
S202、计算在位置时每个神经元放电率的平均值/>
S203、假定网格细胞j的放电率服从泊松分布,且每个神经元 在统计学上独立;
S204、计算给定M个细胞组成的群体放电率向量在相位的概率,计 算公式如下:
S205、简化各个细胞联合概率密度函数为:
S206、依据简化后的各个细胞联合概率密度函数得到极大似然估计其中
进一步的,每个所述网格细胞神经板上的网格细胞具有相同的尺度, 不同的空间相位。
进一步的,所述S3中基于傅里叶变换思想,使用预设数量等比例缩小 尺度的网格细胞神经板进行组合解码,得到精确位移唯一解包括以下步骤:
S301、设定有m个网格细胞神经板共同对空间位置解码,且各神经板 上的神经细胞数量Mm与网格方向一致;
S302、设定最大的网格周期为λ0,第m个网格细胞神经板的周期为 λ0/sm;
S303、分别计算后验概率及最大后验概率解,其中,后验概率的计算 公式如下:
最大后验概率解的计算公式如下:
式中,表示第m个网格细胞神经板上的位置解码,L表示网络神经 板的数量;
S304、设定各网络神经板的细胞数量相等,令代入sm=λ0/λm, 并推导由L个网络神经板联合得到极大似然估计值/>
S305、计算第L+1个网络神经板的极大似然估计值计算公式如下:
S306、将网格细胞按照预设步骤迭代,映射至位置细胞,得到精确位 移唯一解。
进一步的,所述S306中将网格细胞按照预设步骤迭代,映射至位置细 胞,得到精确位移唯一解包括以下步骤:
S3061、从单个周期能够覆盖活动空间的尺度λ0开始解码计算,通过网 格细胞群体激活值计算群矢量来获得初始的位移估计值
S3062、使用估计值为中心,计算下一尺度λ1的网格细胞神经板上的 细胞群***置估计的相对偏移值,并将偏移值乘以权值ω1来修正上一级尺 度的估计值,获得新的位移估计值/>
S3063、逐级计算新的位移估计值直至得到最终的位置估计值,即精确 位移唯一解。
根据本发明的另一个方面,提供了一种网格细胞空间信息解码***, 该***包括吸引子模型简化模块、网格细胞解码模块及多空间尺度网格细 胞解码;
其中,所述吸引子模型简化模块用于利用显示数学函数替代吸引子细 胞动力学方程;
所述网格细胞解码模块用于利用网格细胞群体的放电活动对大鼠所处 位置进行解码;
所述多空间尺度网格细胞解码用于基于傅里叶变换思想,使用预设数 量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。
本发明的有益效果为:本发明提出了一种网格细胞空间信息解码方法, 通过利用显示数学函数替代吸引子细胞动力学方程,有效地解决吸引子模 型计算量大的问题,有利于算法的实时性,利用网格细胞群体的放电活动 对大鼠所处位置进行解码,能够有效地实现网格细胞的解码,通过基于傅 里叶变换思想,使用多个数量等比例缩小尺度的网格细胞神经板进行组合解码,可以得到高精度的位移唯一解,本发明不仅可以适用于生物学的实时计算,而且还可以嵌入机器人***进行实时计算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的 前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种网格细胞空间信息解码方法的流程示意 图;
图2是根据本发明实施例的一种网格细胞空间信息解码方法中多尺度解 码神经计算过程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容 的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例 的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实 施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通 常用来表示类似的组件。
根据本发明的实施例,提供了一种网格细胞空间信息解码方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1-2所示,根据本 发明的一个实施例,提供了一种网格细胞空间信息解码方法,该解码方法包 括以下步骤:
S1、吸引子模型简化:使用预设的显示数学函数替代吸引子细胞动力 学方程;
其中,连续吸引子模型是模拟神经细胞电生理原理的仿真模型,模型 实现了对空间的精确路径积分,同时也从理论上解释了生物实验观察到的 现象。但是研究机器人仿生认知算法模型时需要考虑便于在计算机上做实 时运算。上述基于神经板的吸引子模型计算量较大,不利于算法的实时性, 因此,在解码运算中本发明考虑使用显式数学函数来替代吸引子细胞动力学方程。
具体的,所述S1中使用预设的显示数学函数替代吸引子细胞动力学方 程包括以下步骤:
S101、利用预设的Von Mises函数对条纹细胞放电特性进行拟合;
S102、构建高斯函数的周期性推广函数:
Ωj(x)=nmax·exp{k[cos(2π(x-cj)/λ)-1]};
式中,nmax表示最大的期望放电率,k表示增益系数,cj表示细胞j的 空间优先相位,λ表示细胞j的空间周期,x表示位移矢量;
S103、利用预设的网格细胞空间放电概率函数将三个夹角为预设角度 的条纹波进行叠加;具体的,所述S103中三个夹角的预设角度为60度。
S104、对网格细胞建模得到用于描述在位置时细胞平均放 电率的函数/>其中函数/>的公式如下:
式中,nmax表示最大的期望放电率,表示各个方向条纹细胞对应的波 矢,k表示增益系数,w表示角频率,x表示位移矢量;
S105、设定六边形网格特性与x轴对齐,得到各条纹细胞对应的波矢为φl=-π/6+lπ/3;
S106、使用替代/>得到网格细胞j的二维空间的放电模态相位/>
S2、网格细胞解码:利用网格细胞群体的放电活动对大鼠所处位置进 行解码;
具体的,每个所述网格细胞神经板上的网格细胞具有相同的尺度,但 是具有不同的空间相位。
其中,所述S2中利用网格细胞群体的放电活动对大鼠所处位置进行解 码包括以下步骤:
S201、记录当前位置网格细胞i的放电率ni,得到神经板群体的响应向量
S202、计算在位置时每个神经元放电率的平均值/>具体的, 真实的数字nj散布在这个值周围;
S203、假定网格细胞j的放电率服从泊松分布,且每个神经元 在统计学上独立;
S204、计算给定M个细胞组成的群体放电率向量在相位的概率,计 算公式如下:
S205、考虑网格放电的调谐曲线均匀覆盖运动空间,近似为 常数,于是简化各个细胞联合概率密度函数为:
S206、依据简化后的各个细胞联合概率密度函数得到极大似然估计其中
S3、多空间尺度网格细胞解码:基于傅里叶变换思想,使用预设数量 等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。
如果单个网格周期的尺度比较大,能覆盖其活动范围,则根据上述解 码方法可以获得唯一的空间位置解,但是解码的不确定性误差会比较大。 而使用较小的尺度不确定性会减小,但是会产生周期性的多个解。研究发 现大鼠的网格细胞空间放电周期约25cm到数米。借鉴傅里叶变换的思想,本实施例中提出使用多个等比缩小尺度的的网格细胞神经板组合解码的方 式获得具有高精度的位移唯一解。其原理如图2所示,将各个尺度下位置 解码的概率分布组合成联合概率密度,所得极大似然解的概率分布更加接 近真值。
其中,所述S3中基于傅里叶变换思想,使用预设数量等比例缩小尺度 的网格细胞神经板进行组合解码,得到精确位移唯一解包括以下步骤:
S301、设定有m个网格细胞神经板共同对空间位置解码,且各神经板 上的神经细胞数量Mm与网格方向一致;
S302、设定最大的网格周期为λ0,第m个网格细胞神经板的周期为 λ0/sm;
S303、分别计算后验概率及最大后验概率解,其中,后验概率的计算 公式如下:
最大后验概率解的计算公式如下:
式中,表示第m个网格细胞神经板上的位置解码,L表示网络神经 板的数量;
S304、设定各网络神经板的细胞数量相等,令代入sm=λ0/λm, 并推导由L个网络神经板联合得到极大似然估计值/>
S305、计算第L+1个网络神经板的极大似然估计值计算公式如下:
S306、根据上述递推公式,将网格细胞按照预设步骤迭代,映射至位 置细胞,得到精确位移唯一解。
具体的,所述S306中将网格细胞按照预设步骤迭代,映射至位置细胞, 得到精确位移唯一解包括以下步骤:
S3061、从单个周期能够覆盖活动空间的尺度λ0开始解码计算,通过网 格细胞群体激活值计算群矢量来获得初始的位移估计值
S3062、使用估计值为中心,计算下一尺度λ1的网格细胞神经板上的 细胞群***置估计的相对偏移值,并将偏移值乘以权值ω1来修正上一级尺 度的估计值,获得新的位移估计值/>
S3063、逐级计算新的位移估计值直至得到最终的位置估计值,即精确 位移唯一解。
本实施例中该多尺度解码计算过程可以看做偏差值的加权求和过程, 在生理学上可以通过神经突触的计算来实现。
根据本发明的另一个实施例,提供了一种网格细胞空间信息解码***, 该***包括吸引子模型简化模块、网格细胞解码模块及多空间尺度网格细 胞解码;
其中,所述吸引子模型简化模块用于利用显示数学函数替代吸引子细 胞动力学方程;
所述网格细胞解码模块用于利用网格细胞群体的放电活动对大鼠所处 位置进行解码;
所述多空间尺度网格细胞解码用于基于傅里叶变换思想,使用预设数 量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。
综上所述,借助于本发明的上述技术方案,本发明提出了一种网格细胞 空间信息解码方法,通过利用显示数学函数替代吸引子细胞动力学方程, 有效地解决吸引子模型计算量大的问题,有利于算法的实时性,利用网格 细胞群体的放电活动对大鼠所处位置进行解码,能够有效地实现网格细胞 的解码,通过基于傅里叶变换思想,使用多个数量等比例缩小尺度的网格细胞神经板进行组合解码,可以得到高精度的位移唯一解,本发明不仅可以适用于生物学的实时计算,而且还可以嵌入机器人***进行实时计算。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发 明的保护范围之内。
Claims (5)
1.一种网格细胞空间信息解码方法,其特征在于,该解码方法包括以下步骤:
S1、吸引子模型简化:使用预设的显示数学函数替代吸引子细胞动力学方程;
S2、网格细胞解码:利用网格细胞群体的放电活动对大鼠所处位置进行解码;
S3、多空间尺度网格细胞解码:基于傅里叶变换思想,使用预设数量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解;
所述S1中使用预设的显示数学函数替代吸引子细胞动力学方程包括以下步骤:
S101、利用预设的Von Mises函数对条纹细胞放电特性进行拟合;
S102、构建高斯函数的周期性推广函数:
Ωj(x)=nmax·exp{k[cos(2π(x-cj)/λ)-1]};
式中,nmax表示最大的期望放电率,k表示增益系数,cj表示细胞j的空间优先相位,λ表示细胞j的空间周期,x表示位移矢量;
S103、利用预设的网格细胞空间放电概率函数将三个夹角为预设角度的条纹波进行叠加;
S104、对网格细胞建模得到用于描述在位置时细胞平均放电率的函数其中函数/>的公式如下:
式中,nmax表示最大的期望放电率,表示各个方向条纹细胞对应的波矢,k表示增益系数,w表示角频率,x表示位移矢量;
S105、设定六边形网格特性与x轴对齐,得到各条纹细胞对应的波矢为φl=-π/6+lπ/3;
S106、使用替代/>得到网格细胞j的二维空间的放电模态相位/>
所述S2中利用网格细胞群体的放电活动对大鼠所处位置进行解码包括以下步骤:
S201、记录当前位置网格细胞i的放电率ni,得到神经板群体的响应向量
S202、计算在位置时每个神经元放电率的平均值/>
S203、假定网格细胞j的放电率服从泊松分布,且每个神经元在统计学上独立;
S204、计算给定M个细胞组成的群体放电率向量在相位的概率,计算公式如下:
S205、简化各个细胞联合概率密度函数为:
S206、依据简化后的各个细胞联合概率密度函数得到极大似然估计其中
所述S3中基于傅里叶变换思想,使用预设数量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解包括以下步骤:
S301、设定有m个网格细胞神经板共同对空间位置解码,且各神经板上的神经细胞数量Mm与网格方向一致;
S302、设定最大的网格周期为λ0,第m个网格细胞神经板的周期为λ0/sm;
S303、分别计算后验概率及最大后验概率解,其中,后验概率的计算公式如下:
最大后验概率解的计算公式如下:
式中,表示第m个网格细胞神经板上的位置解码,L表示网络神经板的数量;
S304、设定各网络神经板的细胞数量相等,令代入sm=λ0/λm,并推导由L个网络神经板联合得到极大似然估计值/>
S305、计算第L+1个网络神经板的极大似然估计值计算公式如下:
S306、将网格细胞按照预设步骤迭代,映射至位置细胞,得到精确位移唯一解。
2.根据权利要求1所述的一种网格细胞空间信息解码方法,其特征在于,所述S103中三个夹角的预设角度为60度。
3.根据权利要求1所述的一种网格细胞空间信息解码方法,其特征在于,每个所述网格细胞神经板上的网格细胞具有相同的尺度,不同的空间相位。
4.根据权利要求1所述的一种网格细胞空间信息解码方法,其特征在于,所述S306中将网格细胞按照预设步骤迭代,映射至位置细胞,得到精确位移唯一解包括以下步骤:
S3061、从单个周期能够覆盖活动空间的尺度λ0开始解码计算,通过网格细胞群体激活值计算群矢量来获得初始的位移估计值
S3062、使用估计值为中心,计算下一尺度λ1的网格细胞神经板上的细胞群***置估计的相对偏移值,并将偏移值乘以权值ω1来修正上一级尺度的估计值,获得新的位移估计值/>
S3063、逐级计算新的位移估计值直至得到最终的位置估计值,即精确位移唯一解。
5.一种网格细胞空间信息解码***,用于实现权利要1-4中任一所述的网格细胞空间信息解码方法的步骤,其特征在于,该***包括吸引子模型简化模块、网格细胞解码模块及多空间尺度网格细胞解码;
其中,所述吸引子模型简化模块用于利用显示数学函数替代吸引子细胞动力学方程;
所述网格细胞解码模块用于利用网格细胞群体的放电活动对大鼠所处位置进行解码;
所述多空间尺度网格细胞解码用于基于傅里叶变换思想,使用预设数量等比例缩小尺度的网格细胞神经板进行组合解码,得到精确位移唯一解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857919.2A CN113643748B (zh) | 2021-07-28 | 2021-07-28 | 一种网格细胞空间信息解码方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857919.2A CN113643748B (zh) | 2021-07-28 | 2021-07-28 | 一种网格细胞空间信息解码方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643748A CN113643748A (zh) | 2021-11-12 |
CN113643748B true CN113643748B (zh) | 2024-03-12 |
Family
ID=78418593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857919.2A Active CN113643748B (zh) | 2021-07-28 | 2021-07-28 | 一种网格细胞空间信息解码方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643748B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699125A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
CN107063260A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于鼠脑海马结构认知地图的仿生导航方法 |
CN109886384A (zh) * | 2019-02-15 | 2019-06-14 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
CN111552298A (zh) * | 2020-05-26 | 2020-08-18 | 北京工业大学 | 一种基于鼠脑海马空间细胞的仿生定位方法 |
-
2021
- 2021-07-28 CN CN202110857919.2A patent/CN113643748B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699125A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
CN107063260A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于鼠脑海马结构认知地图的仿生导航方法 |
CN109886384A (zh) * | 2019-02-15 | 2019-06-14 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
CN111552298A (zh) * | 2020-05-26 | 2020-08-18 | 北京工业大学 | 一种基于鼠脑海马空间细胞的仿生定位方法 |
Non-Patent Citations (2)
Title |
---|
一种基于海马认知机理的仿生机器人认知地图构建方法;于乃功;苑云鹤;李倜;蒋晓军;罗子维;;自动化学报;20170103(01);全文 * |
基于多尺度网格细胞模型的无人机类脑矢量导航方法;杨闯;刘建业;熊智;晁丽君;;中国惯性技术学报;20200415(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643748A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886384B (zh) | 一种基于鼠脑海马网格细胞重构的仿生导航方法 | |
Scemama et al. | Deterministic construction of nodal surfaces within quantum Monte Carlo: the case of FeS | |
Kim et al. | Mission scheduling optimization of SAR satellite constellation for minimizing system response time | |
Gao et al. | Learning grid cells as vector representation of self-position coupled with matrix representation of self-motion | |
Zauhar et al. | Computing the electric potential of biomolecules: application of a new method of molecular surface triangulation | |
Chern et al. | Accurate evaluation of electrostatics for macromolecules in solution | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
CN115049769B (zh) | 角色动画生成方法、装置、计算机设备和存储介质 | |
CN113643748B (zh) | 一种网格细胞空间信息解码方法及*** | |
CN115330032A (zh) | 一种海上风电场风速预测方法、装置、存储介质及设备 | |
CN113343436A (zh) | 一种高斯混合协方差演化的碰撞概率计算方法及*** | |
Mosavi et al. | Calculation of geometric dilution of precision using adaptive filtering technique based on evolutionary algorithms | |
CN106886648B (zh) | 一种三元矢量合成控制优化方法 | |
Teplukhin | Short-range potential functions in computer simulations of water and aqueous solutions | |
Zheng et al. | Multi-swarm chaotic particle swarm optimization for protein folding | |
CN111445525A (zh) | 相机安装位置的布局方法、装置、设备及存储介质 | |
CN111814324B (zh) | 一种计算空位与自间隙团簇基态构型的方法及*** | |
Zhaoqi et al. | Neuromorphic model of hippocampus place cells using an oscillatory interference technique for hardware implementation | |
CN115346616A (zh) | 晶体性质预测模型的训练方法、装置和计算机设备 | |
CN102930473A (zh) | 一种基于倒向随机微分方程的期权定价方法 | |
Wang et al. | A massive parallel cellular GPU implementation of neural network to large scale Euclidean TSP | |
Edvardsen | Long-range navigation by path integration and decoding of grid cells in a neural network | |
CN112686770A (zh) | 一种基于需求价格弹性修正的负荷预测方法及装置 | |
Deng et al. | Hybrid invasive weed optimization algorithm for parameter inversion problems | |
Wang et al. | A moving grid cell based MCL algorithm for mobile robot localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |