[发明专利]一种神经网络的构建、训练、识别方法和系统、存储介质

权利要求书

1.一种多层多脉冲神经网络学习模型的构建方法，其特征在于包括以下步骤：

S1:将时序数据经输入层输入，构建输入层脉冲序列；

S2:在网络输出层，利用想要的脉冲序列和真实的脉冲序列之间的差值进行误差函数构造，利用梯度下降的方法更新输出层和隐藏层的权值；进而构造多层多脉冲神经网络学习模型。

2.根据权利要求1所述的多层多脉冲神经网络学习模型的构建方法，其特征在于：所述S1步骤具体包括如下步骤：

S1.1:将时序数据库的数据，按原始结构导入脉冲神经网络学习模型；

S1.2:通过卷积核函数，得到输入层脉冲序列。

3.根据权利要求1所述的多层多脉冲神经网络学习模型的构建方法，其特征在于：所述S2步骤具体包括如下步骤：

S2.1:对步骤S1中构建的输入层脉冲序列进行传递、计算，直至网络的最后一层；

S2.2:对每一个输出层神经元进行计算，判断在想要的脉冲时间是否发放了脉冲，若发放了，进一步判断所发放的脉冲是否为想要的脉冲，若是，则不做任何改变；若不是，则引入一种对Widrow-Hoff(WH)学习规则的模拟，利用梯度下降的方法来降低当前的连接权值；若未发放，则需要加强当前的连接权值。

4.根据权利要求2所述的多层多脉冲神经网络学习模型的构建方法，其特征在于：所述S1.2步骤具体包括如下步骤：

S1.2.1:利用漏电-整合-激发神经元模型，基于权值求和，计算突触后神经元的膜电压；

S1.2.2:当膜电压超过预先定义的阈值，将激发一个输入层脉冲序列传递到下一层，并将当前膜电压置为0；否则，继续计算。

5.一种多层多脉冲神经网络学习模型的训练方法，用于训练根据权利要求1-4之一所述的构建方法构造的多层多脉冲神经网络学习模型，其特征在于：在多层多脉冲神经网络学习模型的训练过程中，包括步骤S3：通过Van Rossum(VR)距离来测量想要的脉冲序列和真实的脉冲序列之间的差值，基于该差值判断神经网络学习模型是否训练成功。

6.根据权利要求5所述的训练方法，其特征在于：所述步骤S3具体包括如下步骤：

S3.1：通过步骤S1到步骤S2进行网络训练，在网络的训练过程中，通过Van Rossum(VR)距离来测量想要的脉冲序列和真实的脉冲序列之间的差值，当该距离小于某个特定的值，认为网络训练成功；否则继续训练直到到达最大的训练次数；

S3.2：将当前类别时序数据的脉冲序列作为正样本，其他类别数据的脉冲序列作为负样本；

S3.3：使用提出的构建方法训练这两个样本，得到当前类别的分类器；

S3.4：重复步骤S3.1到步骤S3.3的操作，得到所有类别的分类器。

7.一种基于根据权利要求6所述的训练方法的模式识别系统，其特征在于：将权利要求6得到的分类器联合构成模式识别系统。

8.根据权利要求7所述的模式识别系统，其特征在于：还包括输入模块、处理模块和输出模块，所述输入模块用于将时序数据构建输入层脉冲序列；所述处理模块用于对输入层脉冲序列进行分类处理，所述输出模块用于结果输出。

9.一种基于根据权利要求6所述的训练方法的样本识别方法，其特征在于：所述样本为复杂时空模式样本，将待识别复杂时空模式样本导入到训练好的多层多脉冲神经网络学习模型，进而识别出该样本。

10.一种存储介质，其特征在于，用于存储根据权利要求1-4之一所述的构建方法，和/或根据权利要求5-6之一所述的训练方法，和/或根据权利要求9的样本识别方法。