[发明专利]一种基于时域编码和脉冲神经网络的图像分类方法

权利要求书

1.一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：包括以下步骤：

S1.基于时域编码的图像和类别标记构建样本集；

S2.构建脉冲神经网络作为分类模型；

S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；

S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。

2.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S1包括以下子步骤：

S101.采集多张图像；

S102.对于任一张图像，将其像素标准化为pi∈[0，1]，并编码为从小到大的脉冲时间t₁,t₂,...,t_N；其中，t_i＝α(-pi+1)，i＝1,2,...,N，N为编码长度，参数α用于调整脉冲时间间隔，同时对于该张图像进行类别标记，将该张图像的编码结果和类别标记作为相应的训练样本；

S103.对于采集到的每一张图像，重复步骤S102，得到每一张图像相应的训练样本，并将得到的训练样本加入到同一个集合中，得到样本集。

3.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S2中构建的脉冲神经网络包括多层神经元结构，对于每一个图像，从编码得到的脉冲时间t₁,t₂,...,t_N中取前k个数据t₁,t₂,...,t_k用于脉冲神经网络的训练，其中k不大于输入层的神经元个数；

相邻两层神经元之间的层响应函数为：

其中，对于两层相邻的神经元，表示层响应输入，为层响应输出，θ为预设阈值，集合C表示满足t_k＜t_j条件下的所有输入神经元,w_ji是从输入神经元i到输出神经元j的突触连接权重，τ为预设的衰减时间常数。

4.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S3中对脉冲神经网络SNN进行训练时，在第l层中，和被直接用作神经元的输入和输出，对于一个有L层深度的脉冲神经网络，定义输入向量作为向量中的元素为z_0,i，最后的输出向量作为输出向量中的元素为z_L,i，较小的z_L,i被定义为类的输出，具有非线性映射函数f和可训练的权重向量中包括所有权重将目标输出设为c类，通过损失函数训练网络：

损失函数由三部分组成，第一部分是为了训练网络，使得网络输出的最小值与真实值对应，使z_L,c最小，即等效于t_L,c最小：在中，分子表示所预测的正确类数值，分母表示除正确类外预测的所有类数值和，这样就能够求得正确类数值所占的比例，通过训练使得损失函数越来越小，从而增加正确类所占的比例，由于分子是一个倒数，所以z_L,c越小，分子越大，损失函数越小；第二部分是权重总和成本，它增加了每个神经元的输入权重总和，以增加其发射概率，第三部分是L2正则化，以防止权重变得太大，参数K和λ是加权系数，结合层响应表达式，通过梯度反向传播来训练权重。