[发明专利]具有深度时间划窗的神经元信息处理方法和系统

说明书

技术领域

本发明涉及人工神经网络技术领域，特别是涉及具有深度时间划窗的神经元信息处理方法和系统。

背景技术

如今的人工神经网络研究绝大多数仍是在冯·诺依曼计算机软件并搭配高性能GPGPU(General Purpose Graphic Processing Units通用图形处理单元)平台中实现的，整个过程的硬件开销、能耗和信息处理速度都不容乐观。为此，近几年神经形态计算领域迅猛发展，即采用硬件电路直接构建神经网络从而模拟大脑的功能，试图实现大规模并行、低能耗、可支撑复杂模式学习的计算平台。

然而，传统的脉冲神经元信息处理方法中，当前脉冲神经元的输出信息只能在下一个时间步影响到其后端连接的脉冲神经元，忽略了生物神经元间的时间域深度效应。

发明内容

基于此，有必要针对当前脉冲神经元的输出信息只能在下一个时间步影响到其后端连接的脉冲神经元，忽略了生物神经元间的时间域深度效应的问题，提供一种具有深度时间划窗的神经元信息处理方法和系统，其中，所述方法包括：

接收前端脉冲神经元输出信息，所述前端脉冲神经元输出信息包括前端脉冲神经元输出的脉冲尖端信息；

读取第一当前脉冲神经元信息，所述第一当前脉冲神经元信息包括当前时间窗内脉冲尖端信息历史序列；

根据所述前端脉冲神经元输出的脉冲尖端信息，和所述当前时间窗内脉冲尖端信息历史序列，获取当前时间窗内脉冲尖端信息更新序列根据所述当前时间窗内脉冲尖端信息更新序列，确定第二当前脉冲神经元信息；

根据所述前端脉冲神经元信息和所述第二当前脉冲神经元信息，计算当前脉冲神经元输出信息；

输出所述当前脉冲神经元输出信息。

在其中一个实施例中，所述当前时间窗内脉冲尖端信息历史序列，包括：按时间步顺序存储的，当前时间步前的N个时间步接收的各前端脉冲神经元输出信息组成的序列，其中，所述当前时间窗内脉冲尖端信息历史序列中的第一个时间步的脉冲尖端信息，为当前时间步前的第一个时间步接收的前端脉冲神经元输出信息，所述当前时间窗内脉冲尖端信息历史序列中的第N个时间步的脉冲尖端信息，为当前时间步前的第N个时间步接收的前端脉冲神经元输出信息，其中N为自然数；

则所述根据所述前端脉冲神经元输出信息，和所述当前时间窗内脉冲尖端信息历史序列，获取当前时间窗内脉冲尖端信息更新序列，包括：

将所述当前时间窗内脉冲尖端信息历史序列中的第N个时间步的脉冲尖端信息删除，将第一个时间步至第N-1个时间步的脉冲尖端信息，顺序变更为第二个时间步至第N个时间步的脉冲尖端信息；

将当前时间步接收的所述前端脉冲神经元输出信息，设置为所述当前时间窗内脉冲尖端信息历史序列中第一个时间步的脉冲尖端信息；

将更新后的第一个时间步至第N个时间步的脉冲尖端信息，组成当前时间窗内脉冲尖端信息更新序列。

在其中一个实施例中，所述前端脉冲神经元输出信息，还包括：前端神经元与当前神经元的连接权重索引；

所述当前脉冲神经元信息，还包括：当前时间窗宽度、历史膜电位信息和膜电位泄漏信息；

所述根据所述前端脉冲神经元信息和所述第二当前脉冲神经元信息，计算当前脉冲神经元输出信息，包括：

根据所述前端神经元与当前神经元的连接权重索引，读取前端神经元与当前神经元的连接权重；

根据所述当前时间窗宽度、所述当前时间窗内脉冲尖端信息更新序列，通过衰减函数计算前端脉冲神经元输入信息；

根据所述前端脉冲神经元输入信息、所述前端脉冲神经元与当前脉冲神经元的连接权重、所述历史膜电位信息、所述膜电位泄漏信息，通过脉冲神经元计算模型，计算当前脉冲神经元输出信息。

在其中一个实施例中，在所述根据所述前端脉冲神经元信息和所述第二当前脉冲神经元信息，计算当前脉冲神经元输出信息的步骤之后在，在所述输出所述当前脉冲神经元输出信息的步骤之前，所述方法还包括：

获取阈值电位；

将所述当前脉冲神经元输出信息和所述阈值电位进行比较，根据比较结果确定发放触发标志信息，所述发放触发标志信息包括：发放触发或发放不触发；当所述发放触发标志信息为发放触发时，

复位不应期计时器，并更新所述历史膜电位信息为预设的复位膜电位信息。

在其中一个实施例中，还包括：

当所述发放触发标志信息为发放不触发时，读取不应期宽度和不应期计时器的当前时间步；