项目总结报告：生物启发式神经网络与少样本环境声音分类
一、项目背景与目标
生物启发式神经网络库 （biochem_net、BioNet、GridPotentialNet），从生物化学反应网络和酶动力学中汲取灵感，使神经网络参数具有明确的生物学意义（如酶活性、反应速率、反馈调节）。同时，我们以 ESC‑50 环境声音分类 为应用场景，探索了在极端少样本条件下（每类仅 5～40 个样本）的有效识别方法，为实际部署中数据稀缺的问题提供了解决方案。
二、主要成果
1. 生物启发式神经网络库
biochem_net：模拟代谢反应网络的图神经网络。BioNet：全连接网络兼具可解释性与表达能力。GridPotentialNet：内部为二维网格结构，任意映射输入输出维度，适合回归和分类任务。
2. 少样本环境声音分类最佳实践
在 ESC‑50 数据集（50 类环境声音，每类仅 40 个样本）上，我们系统比较了十多种特征提取和分类方法，最终确定以下方案达到最高准确率：
- 特征：提取音频的231 维特征向量。
- 分类器：径向基核支持向量机（RBF SVM），通过网格搜索确定最优超参数。
- 性能 ：测试准确率达到 37.25%，接近官方报告的基线（39.6%），且远高于随机猜测（2%）。
该结果证明了在极少训练数据下，传统特征工程与核方法仍优于纯深度神经网络，为工业界提供了可靠的低成本部署方案。
三、技术亮点与创新性
- 生物合理性：网络参数可直接对应生化过程的浓度、反应速率和反馈强度，使模型决策易于理解。
- 模块化设计：输入头、图传播、输出头完全解耦，支持多模态数据（图像、音频、传感器序列）和多任务学习（分类、回归、重建、对比学习等）。
- 少样本高效性：通过酶调制和图传播，模型能在每类仅 5～20 个样本时达到可接受的性能，显著降低数据标注成本。