[发明专利]一种基于延迟机制的多层图像分类方法

说明书

本发明公开了一种基于延迟机制的多层图像分类方法，属于图像处理技术领域，其包括以下步骤：S1、构建图像分类模型；S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；本发明解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于延迟机制的多层图像分类方法。

背景技术

Spikeprop算法的拓扑结构属于多层前馈神经网络的模型。神经元分层排列，当刺激信号传入时，是将刺激信号转化为脉冲信号的神经元，可以对应为输入层。最后一层为输出层，是对刺激进行整合后，产生的脉冲输出层。在编码神经元层与输出层中间的都称为学习神经元，对应传统神经网络中的隐藏层。隐藏层可以为n，n的取值为大于等于1的正整数，就形成深度脉冲神经网络。各层神经元之间通过突触连接。两个神经元之间的突触个数不唯一。并且突触之间可以使用延迟时间和连接权值对神经元之间的信号传递进行处理和整合。此机制使得脉冲神经元的输入信号能够对突触后神经元产生更加长时间的影响。

在学习算法过程中，Spikeprop算法已经引入了延迟机制，但是其延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于延迟机制的多层图像分类方法解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于延迟机制的多层图像分类方法，包括以下步骤：

S1、构建图像分类模型；

S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；

S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；

图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；所述特征提取单元用于对图像进行特征提取，得到特征图像数据；所述脉冲延迟编码单元用于对特征图像数据进行编码，得到激发脉冲时间序列；所述多层分类器用于处理激发脉冲时间序列，得到图像的类别。

进一步地，脉冲延迟编码单元对特征图像数据进行编码的公式为：

t_i＝t_max-ln(ax_i+1)

其中，t_i为第i个像素点对应的激发脉冲时间点，t_max为编辑时间窗的大小，a为编码参数，x_i为特征图像数据对应的第i个像素点的像素值。

进一步地，多层分类器包括：输入层、隐藏层和输出层；

所述多层分类器的训练方法为：

A1、将激发脉冲时间序列输入多层分类器，确定每层每个神经元的目标点火时间，将未点火的神经元的点火时间记为-1；

A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元；

A3、根据每层每个神经元的目标点火时间，计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；

A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数，对输出层和隐藏层间的所有点火神经元的延迟进行调整，对输入层和隐藏层间的所有点火神经元的延迟进行调整；

A5、根据延迟调整后的多层分类器，再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；