[发明专利]基于时间编码的低功耗脉冲神经网络片上学习系统

权利要求书

1.一种基于时间编码的低功耗脉冲神经网络片上学习系统，其特征在于，包括：

排序模块，用于接收已进行时间编码的若干组输入数据，并将所述输入数据升序或降序排列；

计算模块，用于接收所述输入数据和预存储的与输入数据匹配的权重数据；基于预定规则将所述输入数据量化为预设常数，获得量化输入数据；基于权重数据判断神经元是否会激发，若激发，则采用所述量化输入数据和权重数据计算输出脉冲时间，并采用线性化规则更新权重数据。

2.如权利要求1所述的基于时间编码的低功耗脉冲神经网络片上学习系统，其特征在于，所述预定规则的获取过程为：

获取待处理的像素值，将其归一化至[0，1]区间，获得归一化像素值，对于任一归一化像素值，求取其与1的差值，计算该差值的偶次幂，并进一步获得自然指数e的该偶次幂数值；

针对所有归一化像素值，计算自然指数e的偶次幂的上下限，并划分为若干区间，每一区间的端点值为2的倍数；

通过上述计算过程的逆运算获取各端点值对应的归一化像素值，并将其作为自变量区间端点，形成若干自变量区间；以端点值或两相邻端点值的算术平均数作为量化目标值，形成与所述自变量区间一一对应的若干量化常数值，以所述自变量区间和量化常数值构建所述预定规则；

在运行时，查找归一化像素值对应的自变量区间，并读取该自变量区间对应的量化常数值，即获得量化输入数据。

3.如权利要求2所述的基于时间编码的低功耗脉冲神经网络片上学习系统，其特征在于， 所述排序模块的排序处理过程如下：

根据所述输入数据组数的质因数集合x^t×y^k×z^j，构建α输入排序树和β输入排序树；

其中，α＜β，β-α≤常数C，α、β∈｛x^a，y^b，z^c｝，其中1≤a≤t，1≤b≤k，1≤c≤j；α、β、a、b、c、t、j、k均为正整数；

将N_in组输入数据划分N_in/α个向量，每个向量由α个数据组成，保存至存储单元；

依序将N_in/α个向量发送到α输入排序树，

将N_in组输入数据划分N_in/β个向量，每个向量由β个数据组成，保存至存储单元；依序将N_in/β个向量发送到β输入排序树，

重复上述过程排序过程，最终得到N_in个输入像素的排序。

4.如权利要求3所述的基于时间编码的低功耗脉冲神经网络片上学习系统，其特征在于，所述计算模块包括K_cal个计算单元和寻找最小模块，

每次计算K_cal个神经元，每次输入脉冲输入，K_cal个计算单元并行计算，

计算结束后，观测是否有输出脉冲发生，若有，则停止计算，

反之，继续下一个输入脉冲，直到有输出产生，或者所有输入脉冲都输入完毕；

如一轮中有多个输出脉冲，寻找最小模块比较并获得最小的输入脉冲。

5.如权利要求1所述的基于时间编码的低功耗脉冲神经网络片上学习系统，其特征在于，线性化规则更新权重数据的过程包括：

读取预存储的突触的权重上限w_max、下限w_min、各突触的原权重w_old，以及权重更新系数η，

计算突触前神经元和后神经元的时间差，并判断该时间差是否大于零，

若大于，则突触的权重增量∆w=η（w_max－w_old）；

反之，突触的权重增量∆w=－η（w_old－w_min）。