CN108875846A - 一种基于改进的脉冲神经网络的手写数字识别方法 - Google Patents
一种基于改进的脉冲神经网络的手写数字识别方法 Download PDFInfo
- Publication number
- CN108875846A CN108875846A CN201810430121.8A CN201810430121A CN108875846A CN 108875846 A CN108875846 A CN 108875846A CN 201810430121 A CN201810430121 A CN 201810430121A CN 108875846 A CN108875846 A CN 108875846A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- impulsive neural
- presynaptic
- neuron
- digit recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
- G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
- G06V30/2455—Discrimination between machine-print, hand-print and cursive writing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种手写数字识别的无监督学习方法，根据模拟生物信息处理机制，首先建立脉冲神经网络模型，确定神经元之间的连接方式，然后根据突触前后踪迹学习规则，建立脉冲时间依赖可塑性模型，最后运用遗传算法对脉冲神经网络中的突触前初始权重和突触延迟进行优化，训练并测试MNIST数据集，实现了对手写数字识别的无监督学习。实验表明该方法有效地提升了训练速度并提高了识别正确率。
Description
技术领域
本发明涉及图像识别技术领域，具体是一种基于改进的脉冲神经网络的手写数字识别方法。
背景技术
数字是人们进行交流与沟通的主要媒介，是世界经济发展的信息载体。长期以来，利用人工识别数字并录入的处理方式存在工作量大、成本高、效率低以及时效性差等问题。我们迫切需要采用“阅读”的方式让人们从繁重的手工劳动中解放出来，其中利用数字识别技术实现信息的自动录入无疑成为解决这项关键问题的根本方法。
手写数字识别是图像识别学科下的一个重要分支，综合了人工智能、形式语言、统计决策、信息论等众多学科，在实际生活中有着非常广泛的应用。它是将手写的阿拉伯数字(0，1，2，…，9)通过扫描的方式输入到计算机中，通过计算机建立的识别系统，自动识别人们书写在纸(介质)上的数字。手写数字识别技术通常是文献检索、办公自动化、邮件分拣、银行票据处理等系统的核心和关键。虽然数字只有十种模式，相对简单，看起来识别不是很困难，但实际测试表明，数字识别的正确率并不高，其关键原因是各个书写者的一些书写习惯和随意，造成单个模式内变化很大，使得准确识别的可能性大大降低。
目前已有许多文献对手写数字识别做了研究，随着人工智能的快速发展，特别是神经网络技术的广泛应用，基于神经网络的手写体识别技术越来越受到学术界的重视。基于统计学模型的支持向量机(Support Vector Machine,SVM)大大提升了手写数字识别的精度，但是其存在的训练参数过多及计算复杂，增加识别过程时间。卷积神经网络(convolutional neural networks,CNNs)作为当前图像识别领域的研究热点，具有非常高的识别率，但是识别训练过程中会出现过拟合现象，并且在实践中，具有标签的数据较少，而不具有标签的数据较多，为每个数据人工设置标签是非常费时和枯燥的，同时卷积神经网络需要设置并调整大量的参数，这些是制约卷积神经网络的重要原因。
脉冲神经网络作为模仿生物神经元机理设计的第三代神经网络，能够很好地解决过拟合现象，同时不需要设置大量的标签、调整大量的参数。遗传算法是一种高效的并行全局搜索算法，该算法具有很好的鲁棒性，在解决全局优化问题方面取得了成功。因此可以将GA应用于SNN(脉冲神经网络)的学习过程中，通过采用遗传算法(Genetic algorithm,GA)优化SNN突触前初始权重和突触延迟的方法，将GA和SNN进行结合，提高SNN识别手写数字的正确率，降低SNN的训练时间。因此，本文依据突触前后踪迹学习规则建立STDP模型，并运用GA对SNN中的突触前初始权重和突触延迟进行优化，从而提升训练速度并提高了识别正确率。
发明内容
发明目的：为了实现对手写数字识别的无监督学习，本发明提出一种基于改进的脉冲神经网络的手写数字识别方法。通过该方法，可对手写数字识别进行无监督学习，有效地提高了训练时间和识别正确率。
一种基于改进的脉冲神经网络的手写数字识别方法，包括：
(1)输入并编码MNIST数据集；
(2)建立脉冲神经网络模型，确定神经元之间的连接方式；
(3)根据突触前后踪迹学习规则，建立脉冲时间依赖可塑性(spike-timing-dependent plasticity,STDP)模型；
(4)运用GA(遗传算法)对脉冲神经网络中的突触前初始权重和突触延迟进行优化；
(5)训练并测试MNIST数据集。
所述的输入并编码MNIST数据集，包括以下步骤：
(1.1)将MNIST(Mixed National Institute of Standards and Technologydatabase)数据集的训练样本、测试样本以及标签数据进行导入；
(1.2)令脉冲序列的触发率与MNIST数据集图像的像素强度成比例，脉冲序列呈泊松分布。
所述的建立脉冲神经网络模型，确定神经元之间的连接方式，包括以下步骤：
(2.1)确定用于手写数字识别的脉冲神经网络结构；
(2.2)建立用于手写数字识别的脉冲神经网络的神经元和突触模型。
所述步骤(2.2)的具体操作为：
(2.2.1)确定用于手写数字识别的脉冲神经网络的神经元和突触膜电位变化方程，
其中，V是膜电压，Erest是静息膜电位，Eexc和Einh分别是兴奋性和抑制性突触的平衡电位，ge和gi分别是兴奋性和抑制性突触的电导系数，τ为时间常数；
(2.2.2)确定用于手写数字识别的脉冲神经网络的神经元和突触电导率变化方程：
当突触前神经元是兴奋性的，则电导率ge的表达式为：
其中τge是兴奋性突触后电位的时间常数，当突触前神经元是抑制性的，则电导率gi的表达式为：
其中τgi是抑制性突触后电位的时间常数。
所述的根据突触前后踪迹学习规则，建立STDP模型，包括以下步骤：
(3.1)根据突触前后踪迹学习规则的公式(1)，确定用于手写数字识别的脉冲神经网络的突触前脉冲的权重变化：
Δw＝-ηprexpostwμ (1)
其中ηpre是突触前脉冲的学习率，xpost突触后轨迹值，μ决定了对先前权重更新的依赖性；
(3.2)根据突触前后踪迹学习规则的公式(2)，确定用于手写数字识别的脉冲神经网络的突触后脉冲的权重变化：
Δw＝ηpost(xpre-xtar)(wmax-w)μ (2)
其中ηpost是学习率，xpre突触前轨迹值，xtar是突触后脉冲时刻突触前轨迹的目标平均值，wmax是最大权重。
所述的运用GA对脉冲神经网络中的突触前初始权重进行优化，包括以下步骤：
(4.1)生成用于手写数字识别的脉冲神经网络的最初随机生物种群，并编码为染色体；
(4.2)将每条染色体分成两个部分：A1、A2，A1中的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重；A2的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的突触延迟；
(4.3)计算当前的突触前后神经元之间的连接权重以及突触延迟的最佳值；
(4.4)判断当前用于手写数字识别的脉冲神经网络的生物种群代数是否小于设定的最大生物进化代数，如果是执行(6.5)，如果否执行(6.7)；
(4.5)进行相应的用于手写数字识别的脉冲神经网络的遗传操作；
(4.6)进行下一代的运算，并返回执行(6.3)；
(4.7)结束GA对脉冲神经网络中的突触前初始权重和突触延迟进行的优化操作，并保存最后结果。
所述步骤(4.5)的具体操作为：
(4.5.1)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行交叉，交叉概率为P1＝0.55；
(4.5.2)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行变异，变异概率为P2＝0.3；
(4.5.3)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行精英保留，对适应度较高的染色体不进行交叉运算和变异运算而直接复制到下一代中，精英保留概率为P3＝0.15。
所述的训练并测试MNIST数据集，包括以下步骤：
(5.1)输入到网络的脉冲序列对兴奋性神经元和抑制性神经元进行触发或者抑制，最终完成训练；
(5.2)训练完成后，对每个神经元的触发阈值进行修正，并根据每个神经元对0-9这十个数字的最高响应，为其分配一个类别，对每个类别的每个神经元的响应进行平均，最后选择具有最高平均触发率的类别来确定该图像所显示的数字。
本发明的有益效果是：本发明公开了一种手写数字识别的无监督学习方法，根据模拟生物信息处理机制，首先建立脉冲神经网络模型，确定神经元之间的连接方式，然后根据突触前后踪迹学习规则，建立脉冲时间依赖可塑性模型，最后运用GA对脉冲神经网络中的突触前初始权重和突触延迟进行优化，训练并测试MNIST数据集，实现了对手写数字识别的无监督学习。实验表明该方法有效地提升了训练速度并提高识别正确率，证明本发明是一种行之有效的方法。
附图说明
图1为改进的脉冲神经网络进行手写数字识别系统总流程图；
图2为脉冲神经网络结构示意图；
图3为遗传算法优化脉冲神经网络突触前权重流程图；
图4为典型染色体的组成图：A1：突触前连接权重；
图5为典型染色体的组成图：A2：轴突延迟；
图6为突触前踪迹学习规则识别率性能图；
图7为突触前后踪迹学习规则识别率性能图；
图8为GA优化后识别率性能图；
具体实施方式
如图1所示，一种基于改进的脉冲神经网络的手写数字识别方法，包括：
步骤1、输入并编码MNIST数据集，分为两步：
(1.1)将MNIST数据集的训练样本、测试样本以及标签数据进行导入；
(1.2)将呈泊松分布的脉冲序列输入给网络，脉冲序列的触发率与MNIST数据集图像的像素强度成比例。
步骤2、建立脉冲神经网络模型，确定神经元之间的连接方式，分为两步：
(2.1)确定用于手写数字识别的脉冲神经网络结构，如图2所示，第一层是输入层，包含28×28个神经元(每一个神经元代表一个图像像素)，第二层是处理层，包含400个兴奋性神经元和相同数量的抑制性神经元。网络的输入是一个个呈泊松分布的脉冲序列。每个神经元的触发率与输入图像中相应像素的强度成正比。第二层的兴奋性神经元以一对一的方式连接到抑制性神经元上，即兴奋性神经元中的每个脉冲将触发其对应的抑制性神经元发射脉冲。每个抑制性神经元与除了它接收脉冲的那个兴奋神经元之外的其他所有的兴奋性神经元进行连接。这种连通性提供侧抑制并导致兴奋性神经元之间进行竞争，即一旦神经元被选中，该神经元就会防止其他神经元触发。
(2.2)建立用于手写数字识别的脉冲神经网络的神经元和突触模型，分为两步。
(2.2.1)确定用于手写数字识别的脉冲神经网络的神经元和突触膜电位变化方程，
其中，V是膜电位，Erest是静息膜电位，Eexc和Einh分别是兴奋性和抑制性突触的平衡电位，ge和gi分别是兴奋性和抑制性突触的电导系数，τ为时间常数；
(2.2.2)确定用于手写数字识别的脉冲神经网络的神经元和突触电导率变化方程：
当突触前神经元是兴奋性的，则电导率ge的表达式为：
其中τge是兴奋性突触后电位的时间常数，当突触前神经元是抑制性的，则电导率gi的表达式为：
其中τgi是抑制性突触后电位的时间常数。
步骤3、根据突触前后踪迹学习规则，建立STDP模型，分为两步：
(3.1)根据突触前后踪迹学习规则的公式(1)，确定用于手写数字识别的脉冲神经网络的突触前脉冲的权重变化：
Δw＝-ηprexpostwμ (1)
其中ηpre是突触前脉冲的学习率，xpost突触后轨迹值，μ决定了对先前权重更新的依赖性；
(3.2)根据突触前后踪迹学习规则的公式(2)，确定用于手写数字识别的脉冲神经网络的突触后脉冲的权重变化：
Δw＝ηpost(xpre-xtar)(wmax-w)μ (2)
其中ηpost是学习率，xpre突触前轨迹值，xtar是突触后脉冲时刻突触前轨迹的目标平均值，wmax是最大权重。
步骤4、运用GA对脉冲神经网络中的突触前初始权重进行优化，分为七步，如图3所示：
(4.1)生成用于手写数字识别的脉冲神经网络的最初随机生物种群，并编码为染色体；
(4.2)将每条染色体分成两个部分：A1、A2，A1中的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重；A2的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的突触延迟，如图4、图5所示；
(4.3)计算当前的突触前后神经元之间的连接权重以及突触延迟的最佳值；
(4.4)判断当前用于手写数字识别的脉冲神经网络的生物种群代数是否小于设定的最大生物进化代数，如果是执行(4.5)，如果否执行(4.7)；
(4.5)进行相应的用于手写数字识别的脉冲神经网络的遗传操作，分为三步：
(4.5.1)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行交叉，交叉概率为P1＝0.55；
(4.5.2)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行变异，变异概率为P2＝0.3；
(4.5.3)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行精英保留，适应度函数为i＝1,2,L,N，Ei是脉冲神经网络中每个神经元个体的误差函数；S是脉冲神经网络的总误差；N是脉冲神经网络个体的数量，对适应度较高的染色体不进行交叉运算和变异运算而直接复制到下一代中，精英保留概率为P3＝0.15；
(4.6)进行下一代的运算，并返回执行(4.3)；
(4.7)结束GA对脉冲神经网络中的突触前初始权重和突触延迟进行的优化操作，并保存最后结果。
步骤5、训练并测试MNIST数据集，分为两步：
(5.1)输入到网络的脉冲序列对兴奋性神经元和抑制性神经元进行触发或者抑制，最终完成训练；
(5.2)训练完成后，对每个神经元的触发阈值进行修正，并根据每个神经元对0-9这十个数字的最高响应，为其分配一个类别，对每个类别的每个神经元的响应进行平均，最后选择具有最高平均触发率的类别来确定该图像所显示的数字。我们通过向网络输入3次含有6万个训练样本的MNIST训练集，训练并测试了一个具有400个兴奋性神经元和400个抑制性神经元的网络。只用突触前踪迹学习规则的识别率如图5所示，本文所提出的突触前后踪迹学习规则识别率如图6所示，GA优化后的识别率如图7所示。可以看出，与仅使用突触前踪迹学习规则相比，使用突触前后踪迹学习规则可以提高手写数字的识别率正确率和减少训练时间，运用GA优化的脉冲神经网络可以进一步提升识别正确率到96％，将训练时间缩减到14小时，如表1不同脉冲神经网络的性能对比所示。
| 不同的脉冲神经网络 | 突触前踪迹学习规则 | 突触前后踪迹学习规则 | GA优化 |
| 训练时间(小时) | 18.2 | 16.7 | 14 |
| 测试正确率 | 86.8 | 90 | 96 |
表1不同脉冲神经网络的性能
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于，包括以下步骤：
1)输入并编码MNIST数据集；
2)建立脉冲神经网络模型，确定神经元之间的连接方式；
3)根据突触前后踪迹学习规则，建立STDP模型；
4)运用遗传算法对脉冲神经网络中的突触前初始权重和突触延迟进行优化；
5)训练并测试MNIST数据集。
2.根据权利要求1所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：输入并编码MNIST数据集，包括以下步骤：
(2.1)将MNIST数据集的训练样本、测试样本以及标签数据进行导入；
(2.2)令脉冲序列的触发率与MNIST数据集图像的像素强度成比例，脉冲序列呈泊松分布。
3.根据权利要求1所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：建立脉冲神经网络模型，确定神经元之间的连接方式，包括以下步骤：
(3.1)确定用于手写数字识别的脉冲神经网络结构；
(3.2)建立用于手写数字识别的脉冲神经网络的神经元和突触模型。
4.根据权利要求1所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：根据突触前后踪迹学习规则，建立STDP模型，包括以下步骤：
(4.1)根据突触前后踪迹学习规则的公式(1)，确定用于手写数字识别的脉冲神经网络的突触前脉冲的权重变化：
Δw＝-ηprexpostwμ (1)
其中ηpre是突触前脉冲的学习率，xpost突触后轨迹值，μ决定了对先前权重更新的依赖性；
(4.2)根据突触前后踪迹学习规则的公式(2)，确定用于手写数字识别的脉冲神经网络的突触后脉冲的权重变化：
Δw＝ηpost(xpre-xtar)(wmax-w)μ (2)
其中ηpost是学习率，xpre突触前轨迹值，xtar是突触后脉冲时刻突触前轨迹的目标平均值，wmax是最大权重。
5.根据权利要求1所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：运用GA对脉冲神经网络中的突触前初始权重和突触延迟进行优化，包括以下步骤：
(5.1)生成用于手写数字识别的脉冲神经网络的最初随机生物种群，并编码为染色体；
(5.2)将每条染色体分成两个部分：A1、A2，A1中的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重；A2的每个片段代表相应的用于手写数字识别的脉冲神经网络的突触前后神经元之间的突触延迟；
(5.3)计算当前的突触前后神经元之间的连接权重以及突触延迟的最佳值；
(5.4)判断当前用于手写数字识别的脉冲神经网络的生物种群代数是否小于设定的最大生物进化代数，如果是执行(5.5)，如果否执行(5.7)；
(5.5)进行相应的用于手写数字识别的脉冲神经网络的遗传操作；
(5.6)进行下一代的运算，并返回执行(5.3)；
(5.7)结束GA对脉冲神经网络中的突触前初始权重和突触延迟进行的优化操作，并保存最后结果。
6.根据权利要求1所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：对MNIST数据集进行训练和测试，包括以下步骤：
(6.1)输入到网络的脉冲序列对兴奋性神经元和抑制性神经元进行触发或者抑制，最终完成训练；
(6.2)对每个神经元的触发阈值进行修正，并根据每个神经元对0-9这十个数字的最高响应，为其分配一个类别，对每个类别的每个神经元的响应进行平均，最后选择具有最高平均触发率的类别来确定该图像所显示的数字。
7.根据权利要求3所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：所述步骤(3.2)的具体操作为：
(7.1)确定用于手写数字识别的脉冲神经网络的神经元和突触膜电位变化方程，
其中，V是膜电压，Erest是静息膜电位，Eexc和Einh分别是兴奋性和抑制性突触的平衡电位，ge和gi分别是兴奋性和抑制性突触的电导系数，τ为时间常数；
(7.2)确定用于手写数字识别的脉冲神经网络的神经元和突触电导率变化方程：
当突触前神经元是兴奋性的，则电导率ge的表达式为：
其中τge是兴奋性突触后电位的时间常数，当突触前神经元是抑制性的，则电导率gi的表达式为：
其中τgi是抑制性突触后电位的时间常数。
8.根据权利要求5所述的一种基于改进的脉冲神经网络的手写数字识别方法，其特征在于：在所述步骤(5.5)中，包括以下步骤：
(8.1)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行交叉，交叉概率为P1＝0.55；
(8.2)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行变异，变异概率为P2＝0.3；
(8.3)对代表用于手写数字识别的脉冲神经网络的突触前后神经元之间的连接权重以及突触延迟的染色体进行精英保留，对适应度较高的染色体不进行交叉运算和变异运算而直接复制到下一代中，精英保留概率为P3＝0.15。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430121.8A CN108875846B (zh) | 2018-05-08 | 2018-05-08 | 一种基于改进的脉冲神经网络的手写数字识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430121.8A CN108875846B (zh) | 2018-05-08 | 2018-05-08 | 一种基于改进的脉冲神经网络的手写数字识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875846A true CN108875846A (zh) | 2018-11-23 |
| CN108875846B CN108875846B (zh) | 2021-12-10 |
Family
ID=64327610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810430121.8A Active CN108875846B (zh) | 2018-05-08 | 2018-05-08 | 一种基于改进的脉冲神经网络的手写数字识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875846B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
| CN110097171A (zh) * | 2019-06-19 | 2019-08-06 | 吉林大学 | 一种基于蝎子微振动定位机理的活动轨迹定位方法及系统 |
| CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
| CN110633741A (zh) * | 2019-09-05 | 2019-12-31 | 河海大学常州校区 | 一种基于改进脉冲神经网络的时间序列分类方法 |
| CN110705428A (zh) * | 2019-09-26 | 2020-01-17 | 北京智能工场科技有限公司 | 一种基于脉冲神经网络的脸部年龄识别系统及方法 |
| CN110781968A (zh) * | 2019-10-29 | 2020-02-11 | 中国人民解放军国防科技大学 | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 |
| CN110796231A (zh) * | 2019-09-09 | 2020-02-14 | 珠海格力电器股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110826602A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于膜电位调控脉冲神经网络的图像分类方法、系统 |
| CN110837776A (zh) * | 2019-10-09 | 2020-02-25 | 广东工业大学 | 一种基于stdp的脉冲神经网络手写汉字识别方法 |
| CN111476367A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法 |
| CN111476368A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种脉冲神经网络权重图像化比较预测及网络抗干扰方法 |
| CN111882042A (zh) * | 2020-08-03 | 2020-11-03 | 中国人民解放军国防科技大学 | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 |
| CN112835844A (zh) * | 2021-03-03 | 2021-05-25 | 苏州蓝甲虫机器人科技有限公司 | 一种脉冲神经网络计算负载的通信稀疏化方法 |
| CN112966433A (zh) * | 2021-02-08 | 2021-06-15 | 北京大学 | 一种基于即时编译的神经动力学仿真方法及装置 |
| CN113033782A (zh) * | 2021-03-31 | 2021-06-25 | 广东工业大学 | 一种手写数字识别模型训练方法和系统 |
| CN113408613A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于延迟机制的单层图像分类方法 |
| CN113989818A (zh) * | 2021-12-27 | 2022-01-28 | 中科南京智能技术研究院 | 一种基于类脑计算平台的字符分类方法及系统 |
| CN115359337A (zh) * | 2022-08-23 | 2022-11-18 | 四川大学 | 用于图像识别的脉冲神经网络的搜索方法、系统及应用 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989376A (zh) * | 2015-02-06 | 2016-10-05 | 展讯通信（上海）有限公司 | 一种基于神经网络的手写识别系统、装置和移动终端 |
-
2018
- 2018-05-08 CN CN201810430121.8A patent/CN108875846B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989376A (zh) * | 2015-02-06 | 2016-10-05 | 展讯通信（上海）有限公司 | 一种基于神经网络的手写识别系统、装置和移动终端 |
Non-Patent Citations (2)
| Title |
|---|
| HANI HAGRAS: "Evolving Spiking Neural Network Controllers for Autonomous Robots", 《INTERNATIONAL CONFERENCE ON ROBOTICS & AUTOMATION》 * |
| 李宏伟: "脉冲神经网络前向通道的硬件建模与可重构实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
| CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
| CN110210563B (zh) * | 2019-06-04 | 2021-04-30 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
| CN110097171B (zh) * | 2019-06-19 | 2020-04-21 | 吉林大学 | 一种基于蝎子微振动定位机理的活动轨迹定位方法及系统 |
| CN110097171A (zh) * | 2019-06-19 | 2019-08-06 | 吉林大学 | 一种基于蝎子微振动定位机理的活动轨迹定位方法及系统 |
| CN110633741B (zh) * | 2019-09-05 | 2022-09-09 | 河海大学常州校区 | 一种基于改进脉冲神经网络的时间序列分类方法 |
| CN110633741A (zh) * | 2019-09-05 | 2019-12-31 | 河海大学常州校区 | 一种基于改进脉冲神经网络的时间序列分类方法 |
| CN110796231A (zh) * | 2019-09-09 | 2020-02-14 | 珠海格力电器股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110705428A (zh) * | 2019-09-26 | 2020-01-17 | 北京智能工场科技有限公司 | 一种基于脉冲神经网络的脸部年龄识别系统及方法 |
| CN110705428B (zh) * | 2019-09-26 | 2021-02-02 | 北京智能工场科技有限公司 | 一种基于脉冲神经网络的脸部年龄识别系统及方法 |
| CN110837776A (zh) * | 2019-10-09 | 2020-02-25 | 广东工业大学 | 一种基于stdp的脉冲神经网络手写汉字识别方法 |
| CN110826602A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于膜电位调控脉冲神经网络的图像分类方法、系统 |
| CN110826602B (zh) * | 2019-10-23 | 2022-04-26 | 中国科学院自动化研究所 | 基于膜电位调控脉冲神经网络的图像分类方法、系统 |
| CN110781968A (zh) * | 2019-10-29 | 2020-02-11 | 中国人民解放军国防科技大学 | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 |
| CN111476368A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种脉冲神经网络权重图像化比较预测及网络抗干扰方法 |
| CN111476367B (zh) * | 2020-04-10 | 2023-05-05 | 电子科技大学 | 一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法 |
| CN111476367A (zh) * | 2020-04-10 | 2020-07-31 | 电子科技大学 | 一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法 |
| CN111476368B (zh) * | 2020-04-10 | 2022-12-23 | 电子科技大学 | 一种脉冲神经网络权重图像化比较预测及网络抗干扰方法 |
| CN111882042B (zh) * | 2020-08-03 | 2024-04-05 | 中国人民解放军国防科技大学 | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 |
| CN111882042A (zh) * | 2020-08-03 | 2020-11-03 | 中国人民解放军国防科技大学 | 用于液体状态机的神经网络架构自动搜索方法、系统及介质 |
| CN112966433A (zh) * | 2021-02-08 | 2021-06-15 | 北京大学 | 一种基于即时编译的神经动力学仿真方法及装置 |
| CN112835844A (zh) * | 2021-03-03 | 2021-05-25 | 苏州蓝甲虫机器人科技有限公司 | 一种脉冲神经网络计算负载的通信稀疏化方法 |
| CN112835844B (zh) * | 2021-03-03 | 2024-03-19 | 苏州蓝甲虫机器人科技有限公司 | 一种脉冲神经网络计算负载的通信稀疏化方法 |
| CN113033782A (zh) * | 2021-03-31 | 2021-06-25 | 广东工业大学 | 一种手写数字识别模型训练方法和系统 |
| CN113033782B (zh) * | 2021-03-31 | 2023-07-07 | 广东工业大学 | 一种手写数字识别模型训练方法和系统 |
| CN113408613A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于延迟机制的单层图像分类方法 |
| CN113989818A (zh) * | 2021-12-27 | 2022-01-28 | 中科南京智能技术研究院 | 一种基于类脑计算平台的字符分类方法及系统 |
| CN115359337B (zh) * | 2022-08-23 | 2023-04-18 | 四川大学 | 用于图像识别的脉冲神经网络的搜索方法、系统及应用 |
| CN115359337A (zh) * | 2022-08-23 | 2022-11-18 | 四川大学 | 用于图像识别的脉冲神经网络的搜索方法、系统及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875846B (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875846A (zh) | 一种基于改进的脉冲神经网络的手写数字识别方法 | |
| US20220188568A1 (en) | Methods and systems for mining minority-class data samples for training a neural network | |
| CN109492765A (zh) | 一种基于迁移模型的图像增量学习方法 | |
| Yan et al. | Unsupervised and semi‐supervised learning: The next frontier in machine learning for plant systems biology | |
| CN110837776A (zh) | 一种基于stdp的脉冲神经网络手写汉字识别方法 | |
| CN106021990A (zh) | 一种将生物基因以特定的性状进行分类与自我识别的方法 | |
| Vallet et al. | A multi-label convolutional neural network for automatic image annotation | |
| CN112800229B (zh) | 基于知识图嵌入的涉案领域的半监督方面级情感分析方法 | |
| CN111325248A (zh) | 降低贷前业务风险的方法及系统 | |
| CN110399487A (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
| Okewu et al. | Parameter tuning using adaptive moment estimation in deep learning neural networks | |
| CN109582974A (zh) | 一种基于深度学习的在校大学生信用评估方法及装置 | |
| Xu et al. | Ida-det: An information discrepancy-aware distillation for 1-bit detectors | |
| Purba et al. | Implementation of ANN for Prediction of Unemployment Rate Based on Urban Village in 3 Sub-Districts of Pematangsiantar | |
| CN113257359A (zh) | 一种基于CNN-SVR的CRISPR/Cas9向导RNA编辑效率预测方法 | |
| CN117153268A (zh) | 一种细胞类别确定方法及系统 | |
| CN115830371A (zh) | 基于深度学习的轨道交通地铁转向架杆件分类检测方法 | |
| CN113792574B (zh) | 一种基于度量学习和教师学生模型的跨数据集表情识别方法 | |
| Jing et al. | NASABN: A neural architecture search framework for attention-based networks | |
| CN108388913A (zh) | 一种基于约束投影的多决策树信用卡欺诈检测方法及系统 | |
| Patil et al. | Digits recognition of marathi handwritten script using LSTM neural network | |
| Léon | Extracting information from PDF invoices using deep learning | |
| CN112507912A (zh) | 一种识别违规图片的方法及装置 | |
| Voleti | Unfolding the evolution of machine learning and its expediency | |
| CN111325242A (zh) | 一种图像的分类方法、终端及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |