[发明专利]基于增强脉冲的仿脑图像识别方法

权利要求书

1.基于增强脉冲的仿脑图像识别方法,其特征在于,首先提出了增强脉冲的新概念；之后，提出了两种新的学习算法来处理增强脉冲；结合了当前的脉冲编码方法，提出了若干种基于增强脉冲的仿脑图像识别方法。

2.根据权利要求1所述的基于增强脉冲的仿脑图像识别方法,其特征在于,增强脉冲及其学习算法：将脉冲迸发抽象为脉冲系数，由此信息被打包为单个的增强脉冲；

增强神经元模型如下：

在标准的神经元模型中对LIF模型进行了扩展，使其具有读取脉冲系数的能力：

其中，是到达第i个突触的第j个脉冲的时间,表示相应的脉冲系数，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；

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。

3.根据权利要求1所述的基于增强脉冲的仿脑图像识别方法,其特征在于,包括两种学习算法：

(1)AugTempotron学习算法

增强的Tmp(AugTmp)，来学习和处理增强脉冲；

在二分类任务中，每个脉冲模式图都属于两个类别(记为A和B)之一；AugTmp学习规则旨在训练神经元对A模式图发射脉冲同时对B保持沉默；当发生错误时，它将修改突触权重；AugTmp通过最小化损失函数来调整神经元的权重，该函数定义为：

其中t_max表示神经元膜电位达到其最大值的时刻点；

应用梯度下降法将损失函数最小化，然后可以得出AugTmp学习算法：

其中，η为学习速率；

(2)AugTDP学习算法

选择TDP多脉冲方法来开发新的增强多脉冲学习算法(AugTDP)。

遵循TDP中的步骤，我们提出了基于STS的增强多脉冲学习规则；给定一个临界阈值θ^*，则其相对于权重w_i的导数可以表示为：

其中t^*代表的膜电位等于θ^*时的临界时间；m是t^*之前的输出脉冲总数；上式中第一项可以直接求导得到，而最后一项为零，所以只需对第二项进行求解；

根据TDP的步骤，上式可以重新写成：

使用t_x表示上式中各个部分的求解公式如下所示：

由此，我们可以得到梯度梯度的方向由实际脉冲输出个数n_o与目标个数n_d之间的关系所决定；

通过公式(10)，我们可以对神经元的权重进行调整以得到期望的脉冲输出个数。

4.根据权利要求1所述的基于增强脉冲的仿脑图像识别方法,其特征在于,采用了三种图像编码方法将输入的图像转换成脉冲模式图：

(1)S1C1和HMAX方法

S1C1和HMAX是两种典型的层级时序编码方法，它们分别采用了高斯差分滤波器和Gabor滤波器作为编码神经元的权重对感受野内的信息进行整合；

(2)CNN方法

在基于CNN的编码方法中，训练好的CNN中的卷积层和池化层被用作编码前端，全连接层被丢弃；

本发明中所使用的完整CNN的网络结构为6C5@28x28-P2-F256-F10；

(3)相位发射时间方法

提出了一种新的相位方法使编码神经元输出稀疏离散的脉冲时空模式图：

如果编码神经元的激活值高于发射阈值，此神经元将在时间窗口0到T＝100ms中的某个预先设定的随机时刻点发射一个脉冲。