FPGA implementation of the Predator-Prey algorithm with adrenalin boost based on a Spiking Neural Network

• Autorzy: Karoń I. , Gugała K. , Pochmara J. , Rybarczyk A.

Warianty tytułu

PL

Implementacja algorytmu drapieżnik-roślinożerca ze skokiem adrenalinowym z wykorzystaniem impulsowych sieci neuronowych w matrycach FPGA

• Konferencja: Mixed Design of Integrated Circuits and Systems MIXDES 2011 (18 ; 16-18.06.2011 ; Gliwice, Poland)
• Języki publikacji: EN

Abstrakty

EN

In presented paper new approach to Predator-Prey algorithm was proposed. With the additional mechanism based on more complex biological behaviors like" adrenalin boost" and usage of Spiking Neural Network minimization of implementation cost and maximization of algorithm efficiencies was obtained. Thanks to that algorithm can be easily implemented as one of abstract layers in complex standalone robotic systems.

PL

W prezentowanej pracy przedstawiono nowe podejście do zmodyfikowanego algorytmu drapieżnik-roślinożerca. Minimalizacja kosztów implementacji oraz maksymalizacja efektywności algorytmu została osiągnięta poprzez dodanie mechanizmów bazujących na złożonych procesach biologicznych jak ''skok adrenalinowy" oraz zastosowanie impulsowych sieci neuronowych. Dzięki takiemu podejściu prezentowany algorytm może być łatwo implementowany jako jedna z powłok w bardziej złożonych systemach robotyki.

Słowa kluczowe

EN

spiking neural network; biological based algorithm; Predator-Prey

PL

impulsowe sieci neuronowe; algorytmy inspirowane biologicznie; drapieżnik-roślinożerca

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2011
• Tom: Vol. 52, nr 12
• Strony: 25--28
• Opis fizyczny: Bibliogr. 13 poz., wykr., rys.

Twórcy

autor

Karoń I.

autor

Gugała K.

autor

Pochmara J.

autor

Rybarczyk A.

• Poznań University of Technology, Department of Computer Engineering

Bibliografia

• [1] Ferster D., Spruston N.: Cracking the neuronal code. Science, vol. 270 p. 756-757, 1995.
• [2] Vreeken J.: Spiking neural networks, an introduction. Adaptive Intelligence Laboratory, Institute of Information and Computing Science, Utrecht University.
• [3] Gerstner W., Kempter R., Leo van Hemmen, Wagner J., Hebbian H., Bishop W. & C. M. (eds.): Learning of Pulse Timing in the Barn Owl Auditory System in Maass. Pulsed Neural Networks, MIT-press, 1999.
• [4] Roreano D., Mattiussi C.: Evolution of spiking neural controllers for autonomous vision-based robots. Proceedings of the International Symposium on Evolutionary Robotics (ER-2001), 2001.
• [5] Gerstner W., Kistler W.: Spiking Neuron Models. Single Neurons, Populations, Plasticity. Cambridge University Press, Cambridge 2002.
• [6] Colley M., de Souza G., Hagras H., Pounds-Cornish A., Clarke G. & Callaghan V.: Towards Developing Micro-scale Robots for Fluidic Enviroments Inaccessible.
• [7] Chen Ke: Trends in neural computation. Berlin Heidelberg, Springer, 2007.
• [8] Roth U., Walker M., Hilmann A. & H. Klar: Dynamic Path Planning with Spiking Neural Networks.
• [9] Echegaray S., Luo S. S., Wenbin: Simulation of animal behavior using neural networks. Region 5 Conference, 2006 IEEE.
• [10] Ichishita T., Fujii R. H.: Performance Evaluation of a Temporal Sequence Learning Spiking Neural Network. Computer and Information Technology, 2007.
• [11] Izhikevich E. M.: Which Model to Use for Cortical Spiking Neurons? IEEE TRANSACTIONS ON NEURAL NETWORKS, vol. 15, no. 5. September 2004.
• [12] Calu A., Badea-Simionescu C. L.: Adaptive critic network for prey-predator systems. Neural Networks. 2004.
• [13] Bishop D.: Floating point package users guide, http://www.vhdl.org