课程文献中心 更多>>

关键词： 超快光纤激光器   光孤子   神经网络  

摘要： 随着超快光纤激光器向着更高的功率输出、更窄的脉冲宽度等目标的不断迈进,这类非线性光学系统出现了解析方法求解困难、数值方法的计算成本高的严重瓶颈,因此需要引入新方法来研究超快光纤激光器。本论文使用神经网络方法预测了超快光纤激光器中超短脉冲的非线性动力学行为,分析了光孤子的形成机制以及动力学特性。该工作为神经网络方法深入研究超短光脉冲传输的非线性动力学提供了借鉴,同时也为超快光纤激光器的实验设计与优化提供理论支撑。主要研究内容如下: 1.针对传统物理信息神经网络中不同损失函数项之间的收敛速度存在显著差异的基本缺陷,本文提出了一种加权损失函数策略的优化方案。运用该新方法研究发现自陡峭效应和拉曼效应会导致双折射光纤中超短脉冲向相反的方向偏移,当两种效应强度相同,它们带来的脉冲偏移会相互抵消,从而实现光脉冲的稳定传输。此外,本文还预测了多种孤子的非线性动力学并逆向预测了控制方程的物理系数,预测误差大多在1%左右,具有很高的精度。这提供了一种研究超短光脉冲动力学行为的新的分析方法,对非线性动力学的研究具有重要意义。 2.本文将学习率衰减策略引入到物理信息神经网络结构中,并将其应用于具有宇称-时间对称势的自散焦饱和非线性薛定谔方程的对称、不对称以及反对称孤子动力学的预测。结果表明,与传统物理信息神经网络相比,学习率衰减策略能够将损失函数的收敛程度从10提高到10,同时加快损失函数的收敛速度,从而使孤子动力学的预测距离提高接近一个数量级。在抗干扰性分析中,边界条件的波动对预测精度的影响最小,初始条件次之,控制方程条件最大。势函数中,折射率波动带来的干扰大于增益损耗近似计算带来的干扰。 3.针对前馈神经网络信息传输方向单一的不足,本文运用长短时记忆网络对超快光纤激光器中的多种矢量倍周期脉动孤子的动力学进行研究。结果表明,无论从演化图还是周期性或者是脉冲强度角度看,长短时记忆网络的预测结果与仿真模拟结果具有很高的一致性。因此,神经网络方法可以为超短脉冲非线性动力学的研究提供更强大的工具和更丰富的思路。

关键词： 混杂随机神经网络   状态依赖延迟   随机延迟脉冲   脉冲密度   平均随机延迟   稳定性  

摘要： 作为一类重要的混杂模型,脉冲随机神经网络通过调节神经元之间的连接权重,能够实现网络的学习和适应能力.这种动态适应能力能够使得脉冲随机神经网络系统在处理失稳、非线性以及时变系统等方面具有优势.延迟对脉冲随机神经网络的稳定性影响是其研究的重要内容之一.通过分析网络的稳定性和动力学特征,能够揭示网络的稳定性条件和响应特征,为设计稳定的控制系统提供理论依据. 本文致力于脉冲随机延迟神经网络的稳定性分析.通过利用Lyapunov方法、基于轨迹的方法、比较原理、脉冲密度和平均随机延迟策略,结合具体的脉冲随机时滞神经网络,分析了其动态演化过程,推导出一些稳定性的理论判据.本文的主要工作概括如下: 讨论了一类脉冲随机时变神经网络.首先,基于脉冲密度策略,建立了时滞无关的脉冲随机时变神经网络实现均方渐近稳定的充分条件.其次,研究了时滞对神经网络稳定性的影响,结合一致渐近稳定函数的概念,使得时滞相关的脉冲随机时变神经网络达到均方指数稳定. 探究了一类具有双状态依赖时滞的脉冲随机切换神经网络的稳定性问题.考虑到脉冲的时变效应,引入模态依赖的脉冲密度和模态依赖的切换密度来刻画时变脉冲频率和时变切换频率,分别分析了失稳脉冲和镇定脉冲,进而推导出了具有双状态依赖时滞的脉冲随机切换神经网络的渐近稳定性判据. 研究了一类带有随机延迟脉冲的随机时滞神经网络的稳定性问题.首先,针对脉冲延迟的随机性,采用了平均随机延迟策略.其次,分别探讨了脉冲延迟的扰动性能和镇定性能,消除了脉冲延迟需要限制在两个连续脉冲序列之间的严格要求.此外,还得到了连续系统中的时滞、脉冲延迟以及平均脉冲区间之间的关系,保证了神经网络的均方指数稳定性.

关键词： 水下机器人   路径规划   深度强化学习   脉冲神经网络   类脑智能  

摘要： 随着海洋资源开发和海底科学考察的不断深入,水下机器人因其在深海等人类难以直接到达环境中执行任务的独特优势,受到了越来越多的关注。然而,在复杂多变的水下环境中,如何实现水下机器人的自主路径规划仍然面临诸多挑战。传统的路径规划方法难以适应动态未知的环境,而新兴的深度学习方法又面临计算资源和能源消耗过大的问题,这对于长时间作业的水下机器人尤其不利。 本文研究了基于脉冲神经网络(Spiking Neural Network,SNN)和深度强化学习的水下机器人类脑智能路径规划方法。首先,针对水下机器人的运动特性,建立其运动学和水动力学模型,并进行适当简化。在此基础上,将深度强化学习应用于水下机器人路径规划领域,采用了深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法的智能路径规划算法。进一步地,将SNN与DDPG算法相结合,设计了SDDPG(Spiking DDPG)算法。利用SNN的时间编码和稀疏激活特性,通过脉冲的形式进行信息处理和传递,在保证决策性能的同时显著降低了能耗,这对能源受限的水下机器人尤为重要。此外,针对实际情况下机器人视野有限的问题,提出了SDDPG-SGRU算法,通过在策略网络中引入脉冲门控循环单元(Spiking Gated Recurrent Unit,SGRU),模拟生物神经元的时序记忆机制,增强了对局部观测环境的适应性,提升了局部观测情况下的路径规划性能。 为了对算法进行训练和验证算法性能,本文搭建了基于ROS和Gazebo的水下机器人仿真环境,设计了一系列难度递增的训练场景和独立于训练环境的测试环境。通过大量仿真实验,验证了所提出算法在复杂水下环境中的实际应用潜力,展现了其在提高导航效率、降低能耗、适应复杂环境等方面的优势,特别地,相比传统的DDPG算法,SDDPG和SDDPG-SGRU在能耗方面取得了显著降低。 本文的研究成果为水下机器人的自主路径规划提供了新的思路和方法,拓展了类脑智能在无人系统中的应用,为后续开发更加高效、自主、智能的水下机器人奠定了基础。

关键词： 脉冲神经网络   智能信息处理   神经元动力学多样性   异质网络结构   序列信息处理模型  

摘要： 近年来,人工神经网络(Artificial Neural Networks,ANNs)飞速发展,并日益成为智能处理图像、语言和音乐等信息的主流模型。然而ANN模型需要大量的计算资源作为支撑,难以满足在能量受限的移动和边缘设备进行轻量化部署的要求。脉冲神经网络(Spiking Neural Networks,SNNs)以具有特定膜电压动力学机制的脉冲神经元为计算单元,模拟了真实生物神经计算体系的运行机制,并能够更好地结合基于人类神经系统的认知机制。由于采用稀疏激活与二值化信息传输机制,脉冲神经网络相比于人工神经网络有明显的功耗优势,有极大的潜力部署在各种移动和边缘设备上,实现实时低延迟的智能信息处理。然而目前脉冲神经网络的研究涉及到的神经元动力学机制比较单一,其所能处理的信息也主要局限于静态图像。为此,本文拟结合神经元的多样化动力学机制和人类神经系统认知机制,探索全新的基于脉冲神经网络的模型和算法,以应用于更为广泛的智能信息处理领域,其主要的内容如下: (1)受生物神经系统中动力学多样性机制和生物神经振荡机制的启发,本文提出了一种基于脉冲神经元模型的稀疏脉冲词语编码方案。该编码方案实现了直接将词向量中的正负数值信息转换为脉冲序列,解决了先前方案无法有效编码和利用预训练词向量中负数值信息的问题,并避免了先前编码方案需要预先将词向量转换为非负值向量再进行编码所造成的转换损失。该编码方案尝试采用三种动力学差异性的神经元作为脉冲编码模型,其中基于共振LRF神经元的编码模型生成的词语脉冲序列编码在词意相似度、句意相似度和自然语言理解等相关语言任务上展现出了明显优于先前的脉冲编码研究的性能,并能达到甚至超过原始预训练词向量的水平。 (2)受大脑皮层中存在积分和共振两类动力学互补性神经元的启发,本文提出了由动力学差异化的离散脉冲神经元构建的异质(Heterogeneous)脉冲神经网络模型,并通过文本分类任务进行了性能验证。当前现有的脉冲神经网络大都采用单一积分动力学机制的LIF神经元构成,这类同质(Homogeneous)网络模型大都需要采用较为复杂的多层网络结构以提升性能。本文提出了具有全新动力学机制的离散型的共振LRF神经元,使得脉冲神经网络可以采用动力学差异性的神经元构成异质结构,并通过动力学多样性拓展信息表示空间以提升模型性能。通过网络结构与参数优化,本文探索出了以LIF神经元为隐藏层LRF神经元为分类层的最优化网络结构。结合本文提出的基于LRF神经元的脉冲编码模型,该异质脉冲神经网络模型在文本分类实现中性能明显优于与之具有相同拓扑结构的同质脉冲神经网络模型。同时,该模型也以简单的双层全连接网络结构和较少的时间步长,展现出了优于先前基于卷积结构的同质脉冲神经网络模型的文本分类性能。 (3)受人类神经系统对序列信息进行多时间尺度感知的启发,本文提出了多尺度共振脉冲神经网络(Multiscale Resonant Spiking Neural Network,MSRSNN)序列分类模型。该模型利用时间敏感的LRF神经元构建多尺度共振编码器,用以提取时序信息输入中不同时间尺度的特征,并表示为脉冲序列。而后利用基于强度敏感的LIF神经元的残差网络结构和分类器,对类别相关的时间特征作进一步提取和强度累积,并最终做出分类决策。在文本和音乐两种序列信息数据集上的实验结果表明,MSRSNN能够充分提取并利用序列信息中的各种尺度的时序依赖关系,并进一步做出具有较高准确性的分类决策。由于采用内在的动力学多样性进行了时序特征提取能力的拓展,MSRSNN相比于现有采用额外特征提取结构的同质序列脉冲神经网络模型,也呈现出明显的轻量化优势。 (4)受人类神经系统对音乐具有层次时序感知力,并能依据有限长度碎片化的音乐信息做出实时高准确性分类决策的启发,本文提出了卷积层次时序脉冲神经网络模型(Convolutional Hierarchical Temporal Spiking Neural Network,CHTSNN),以及能赋予CHTSNN实时分类决策的能力的随机可变长分批次(Stochastic Variable Length Batch-wise,SVLB)序列学习算法。该模型充分发挥了脉冲神经网络对于循环神经网络的低功耗轻量化替代性优势,将具有时序循环计算结构和时序信息层次提取结构的异质脉冲神经网络,与具有空间信息提取能力的卷积神经网络相结合。实验结果表明,在具有CNN-SNN杂化网络模型功耗优势的前提下,CHTSNN能够在处理完整长度音乐信号时达到与现有CNN-RNN杂化网络模型相当的分类性能,并同时能够在实时处理有限长度的音乐片段时仍然保持较高的分类准确性。