[发明专利]基于无监督匹配追踪编码的仿脑架构图像识别方法

权利要求书

1.基于无监督匹配追踪编码的仿脑架构图像识别方法，其特征在于，主要包括以下三个部分：数据预处理、时序编码和多脉冲学习，具体如下：

步骤一，对输入数据进行预处理：

将图像转换成灰度图像，然后对图像进行归一化处理；

步骤二，对图像进行时序编码：

首先，计算编码神经元的激活值，

其中：是输入图像I在位置的像素值，φ_i和R_i分别表示神经元的权重向量和感受野；

然后，选择具有最强激活水平的神经元发射脉冲，同时发送侧向抑制到其他的神经元，反复进行这个选择和抑制的过程，直到没有神经元的激活值达到脉冲发射阈值为止；

以t＝0时刻为例，首先将初始时刻的图像I⁰和神经元激活值设置成I和A_i，之后选择有最大激活水平的神经元发射脉冲

i⁰表示发射神经元的索引值，该神经元对应的激活值表示为侧向抑制通过在I⁰中减去该神经元的特征实现，公式表示如下:

其中:I¹表示t＝1时刻的残差图像，表示的平方范数，表示公式(1)的整合过程；将公式(1)至(3)合并，侧向抑制的过程如下：

通过公式(2)和(4)，后续t＞0时刻的计算过程写成如下形式:

其中:表示MP的系数

重复上述步骤，将输入图像编码成一系列的脉冲；

同时提出一种无监督的学习法则用来调整编码神经元的权重：

其中，λ是学习速率，表示第t步时的残差，由公式(6)可以得到，编码神经元权重调整梯度是其残差的加权平均值；

除此之外，为了使不同的编码神经元获取到不同的信息，在选择发射的神经元的过程中，在公式(5)中添加了一个正则化项，此时，在第t步发射的神经元的下标表示:

其中，γ是正则化系数，则是不同神经元之间的距离；

基于无监督匹配追踪得到的权重，对图像进行编码，之后将得到的脉冲依次放在时间步长1ms的时间窗口内，由此，输入的图像被转换成了稀疏的时空脉冲图，从而作为下一阶段的输入；

步骤三，多脉冲学习:

采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。

2.根据权利要求1所述的基于无监督匹配追踪编码的仿脑架构图像识别方法，其特征在于，所述步骤三具体：采用带漏电的整合放电模型leaky integrate-and-fire进行实验：

其中，是到达第i个突触的第j个脉冲的时间，代表当前神经元第j个输出脉冲的时间，N和w_i表示突触前神经元的数目和相对应的突触权重，θ表示神经元的阈值；

当神经元的膜电位大于阈值时，神经元会发射脉冲，每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重w_i和核函数K(t)决定；

K(t)是一个核函数，定义为：

V₀是一个常数因子，用来对K(t)进行归一化；

τ_m表示膜电位的时间常数，τ_s表示突触电流的时间常数；

在神经元整合输入的脉冲之后，学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲，同时对其他类别的输入保持沉默；

采用TDP阈值驱动可塑性多脉冲学习规则对神经元的权重进行调整；

在其他条件不变的情况下，神经元的脉冲响应个数由不同的阈值θ决定；

神经元对输入的响应通过脉冲阈值表层Spike Threshold Surface来表征，SpikeThreshold Surface定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值即是满足ψ(θ)＝k的最小上界；

定义V_max为临界值即当阈值θ＞V_max时，神经元的脉冲输出个数为零；

TDP对神经元权重w_i的调整规则如下：

其中，o是当前神经元的实际脉冲输出个数，d是目标的脉冲发放个数，η为学习速率。