[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

说明书

本发明公开了一种基于时域编码和脉冲神经网络的图像分类方法，包括以下步骤：S1.基于图像的时域编码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。本发明通过不需要计算神经元膜电位的直接训练框架，降低了脉冲神经网络的训练难度，进而有效实现了实时低功耗的图像识别分类。

技术领域

本发明涉及图像分类，特别是涉及一种基于时域编码和脉冲神经网络的图像分类方法。

背景技术

脉冲神经网络(SNN)具有强大的生物似然性，神经元通过脉冲进行交流，就像生物神经元一样。它们异步工作，即生成输出脉冲，而无需等待所有输入神经元脉冲，这带来了诸如脉冲稀疏，低延迟和高能效之类的优点。

但是SNN的性能已远远落后于传统的深度神经网络(DNN)，主要原因之一是SNN难以训练。，DNN用标准层响应y＝f(xW+b)表示，其中可以有效地进行梯度反向传播。，相反，对于SNN，我们必须模拟时域神经元膜电位具有不可分辨的脉冲，梯度递减既困难又费时，到目前为止，对SNN的直接训练仅限于浅层网络，没有人直接在像ImageNet这样的大型数据集上训练SNN；图像分类时，由于脉冲神经网络无法直接输入图像信息，故很难通过脉冲神经网络进行图像的分类识别。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于时域编码和脉冲神经网络的图像分类方法，通过不需要计算神经元膜电位的直接训练框架，降低了脉冲神经网络的训练难度，进而有效实现了低功耗的图像识别分类。

本发明的目的是通过以下技术方案来实现的：一种基于时域编码和脉冲神经网络的图像分类方法，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。

其中，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。

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。