[发明专利]用于AER的多层脉冲神经网络识别系统

说明书

本发明涉及图像处理识别领域，为提出一种用于AER传感器的多层脉冲神经网络，可以利用此网络实现目标的识别。本发明采用的技术方案是，用于AER的多层脉冲神经网络识别系统，包括如下模块：整合与火IF神经元模型(Integrate‑and‑Fire neuron)；多层脉冲神经网络包含4层脉冲神经元：第一层特征提取层T1，第二层特征提取层T2，池化层P和识别层R；T1，T2，P，R层都采用上述IF神经元模型来构建整个脉冲神经网络。本发明主要应用于图像处理识别场合。

技术领域

本发明涉及图像处理识别领域，尤其涉及一种将脉冲神经网络(Spiking NerualNetwork，SNN)用于目标图像的处理识别。

背景技术

脉冲神经网络(SNN)被称作第三代神经网络，它代表着生物神经科学和人工神经网络领域内的最新研究成果。SNN依据生物中观察到的LTP(Long Term Potentiation)、LTD(Long Term Depression)、STDP(Spike Timing Dependent Plasticity)等现象，可以利用脉冲发放的精确时间进行信息的处理。基于脉冲精确定时特性的脉冲神经网络拥有非常强大的计算能力，可以模拟各种神经元信号和任意的连续函数，非常适用于信号的处理问题。

脉冲神经网络(SNN)不能直接用模拟量进行计算，其输入输出必须是脉冲序列，所以必须通过一定的方法将模拟量转成脉冲序列，然后再将脉冲序列输入到脉冲神经网络中。目前已经有很多编码方法被报道出来，Time-to-first-spike方法是一种比较简单的将模拟量转变成脉冲发放时间的编码方法，由于它的原理简单，实现容易，得到了广泛的应用；而相位编码思想的特点在于可以对随着时间变化的模拟量进行编码；阈值编码的思想是将模拟量超过阈值的时刻表示脉冲生成的时刻，由此产生一个脉冲序列。

AER(Address-Event Representation,AER，地址-事件表示)图像传感器的输出中包含了事件的地址信息，时间信息，具有超高速，高实时性等特点。根据脉冲神经网络的数据处理方式，可以将AER图像传感器的输出数据直接输入到脉冲神经网络中进行处理运算。

发明内容

为克服现有技术的不足，本发明旨在根据AER表示方法及脉冲神经网络的特点，提出一种用于AER传感器的多层脉冲神经网络，可以利用此网络实现目标的识别。本发明采用的技术方案是用于AER的多层脉冲神经网络识别系统，包括如下模块：

整合与火IF神经元模型(Integrate-and-Fire neuron)，结构是，I₁和I₂分别代表两个输入脉冲序列，两个输入脉冲序列分别对应输入两个脉冲神经元V₁、V₂，两个脉冲神经元V₁、V₂产生的输出脉冲序列分别用O₁和O₂表示，神经元之间存在的相互抑制作用称为侧向抑制；

多层脉冲神经网络包含4层脉冲神经元：第一层特征提取层T1，第二层特征提取层T2，池化层P和识别层R；T1，T2，P，R层都采用上述IF神经元模型来构建整个脉冲神经网络，当其中一个脉冲神经元收到前一层脉冲神经元来的脉冲时，该脉冲神经元的膜电势变化过程：

如果t_i-t_lastspike＜t_refr则否则

如果则t_lastspike←t_i产生输出脉冲；