[发明专利]一种基于DW-Tempotron算法的图像分类方法

说明书

本发明公开了一种基于DW‑Tempotron算法的图像分类方法，其包括以下步骤：在Tempotron算法的基础上获取DW‑Tempotron算法；初始化DW‑Tempotron算法的参数；获取突触后神经元分别在+模式下的膜电压和‑模式下的膜电压；进行训练并更新延迟和突触权重；判断训练轮次是否达到迭代次数，若是则采用当前DW‑Tempotron算法进行图像分类；否则继续训练。本方法通过对输入脉冲的时间进行调整进而直接去影响突触后神经元的点火时间从而提高了学习效率，本方法提出的DW‑Tempotron算法相比传统的Tempotron算法具有更高的学习效率和准确率。

技术领域

本发明涉及图像分类领域，具体涉及一种基于DW-Tempotron算法的图像分类方法。

背景技术

在监督学习方面，按照学习机制可将Spiking神经网络学习算法分为膜电压驱动和脉冲驱动两大类。所谓膜电压驱动，就是以某一时刻实际膜电压与目标膜电压的差值为误差来调整权重；同理脉冲驱动是以实际脉冲激发时刻与目标脉冲激发时刻的时间差为误差来调整权重的。膜电压驱动算法中数Tempotron学习算法最为经典，它是一个两层网络学习算法，其用梯度下降方法使应点火的神经元最大膜电压超过阈值；不应点火的最大膜电压低过阈值。

另外，众所周知，抗噪能力即鲁棒性对一个算法也是至关重要的，好的鲁棒性是一个算法得到大面积应用的重要前提。我们所处的环境中处处存在噪声，大脑也不例外，但这并未对其产生太大影响，大脑仍可以精准高效地处理信息，然而目前科学还无法对大脑的这种特性做出解释。Spiking神经网络在实际场景应用时，毋庸置疑会受到噪声的影响，但目前大多数学习算法都是在无噪声的理想环境下进行训练学习的，并未将噪声考虑在内，这与Spiking神经网络处于初级发展阶段不无关系。

目前一种解决方案是在将噪声加入到训练数据中然后再对神经元进行训练，以此来提升抗噪能力。不过这种方法只对训练时使用的噪声表现出较好的效果，对其他噪声的干扰则无能为力。近来一种被称为膜电位相关塑性的新型可塑性规则被提出，该规则允许膜电压无论是在训练进行中或完成后，都可以在遇到噪声时进行记忆恢复，但这种机制效率较低并且膜电压恢复效果并不理想，还有待进一步提高。

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DW-Tempotron算法的图像分类方法解决了现有Tempotron算法在进行图像分类时学习效率不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于DW-Tempotron算法的图像分类方法，其包括以下步骤：

S1、构建Tempotron算法；

S2、在Tempotron算法中的突触施加延迟，得到DW-Tempotron算法；其中DW-Tempotron算法中的LIF模型为：

其中V(t)为LIF模型突触后神经元膜电压；ω_i为第i个突触的权重；K(·)为核函数，表示每个传入spike对突触后神经元膜电压所做出的贡献；t为期望点火时间，t_i为第i个突触前神经元的spike输入时间；d_i为施加的延迟；V_rest为静息电位；τ为突触后膜积分时间常数；τ_s为突触电流衰减时间常数；V₀为对膜电压标准化的因子；

S3、初始化DW-Tempotron算法的参数；初始化的参数包括输入脉冲时间、突触权重、点火阈值、延迟、学习率、突触后膜积分时间常数、突触电流衰减时间常数和迭代次数；

S4、分别获取当前DW-Tempotron算法中LIF模型的突触后神经元分别在+模式下的膜电压和-模式下的膜电压；