CN109102027A - 一种基于脉冲神经网络的特征分类方法及系统 - Google Patents
一种基于脉冲神经网络的特征分类方法及系统 Download PDFInfo
- Publication number
- CN109102027A CN109102027A CN201810936803.6A CN201810936803A CN109102027A CN 109102027 A CN109102027 A CN 109102027A CN 201810936803 A CN201810936803 A CN 201810936803A CN 109102027 A CN109102027 A CN 109102027A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- neuron
- output
- tagsort
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于脉冲神经网络的特征分类方法,设置输入层每个神经元的输入数据,所述输入数据由本质特征数据和量的数据组成,将输入层的神经元数据传递到到隐含层;隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。过对本质特征的分类和量分类综合后,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高,可延长输入数据时间分类动作等特征,通用性强。
Description
技术领域
本发明涉及神经网络模型技术领域,具体涉及一种基于脉冲神经网络的特征分类方法及系统。
背景技术
传统神经网络算法学习生物神经的结构和阀值的分类作用,通过案例数据将结果与输入通过强行修正的方式,达到神经学习后的权重值从而达到分类的目的。其神经网络学习效率低,通过大量的修正学习可以作为专家系统进行一些判断。传统神经网络只能分类单帧或某一时段的图像或声音,无法对前后连贯的变化做出相应的分类。传统神经网络结构适应性较窄,占用大量运算资源,无法动态分类。
传统神经网络和生物神经网络最重要差别在于,生物神经网络的权重变化不需要反算,不需要大量的相同数据分类简单事物,神经连接为非全域连接。例如小羚羊在出生一天内就需要学会分辨地形、草丛同类等事物学会行走。小鸡没母鸡的指导通过简单尝试便能分辨食物与石头的区别。
目前神经网络特征分类的公式为y=a1*w1+a2*w2+a3*w3-b,这个算法能分类所有特征甚至是想象或虚构的东西,不管它是否存在内在逻辑。但不能同时将其本质特征和量进行分类。
发明内容
针对现有技术中的缺陷,本发明提供的基于脉冲神经网络的特征分类方法,通过对本质特征的分类和量分类,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物,分类事物效率高,通用性强。
第一方面,本发明实施例提供的一种基于脉冲神经网络的特征分类方法,设置输入层每个神经元的输入数据,所述输入数据由本质特征数据和量的数据组成,将输入层的神经元数据传递到到隐含层;
隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;
输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。
可选地,所述本质特征数据为信号幅度,所述量的数据为信号频率。
可选地,所述隐含层包括数据特征组合层和特征分类层,将输入层的每个神经元视为形成区域组合的基础要素,所述数据特征组合层将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元;所述特征分类层将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出区域组合位置的角、线、面、弧基础特征。
可选地,所述隐含层还包括特征分类组合层和特征分类对比层;所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形,所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置特征数据和量的数据。
可选地,所述隐含层还包括差分输出层,所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。
第二方面,本发明实施例提供的一种脉冲神经网络系统,包括输入层、隐含层和输出层,所述输入层用于将每个神经元的输入数分解为本质特征数据和量的数据,将神经元数据传递到到隐含层;所述隐含层对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;所述输出层用于将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。
可选地,本质特征数据为幅度数据,所述量的数据为频率数据。
可选地,所述隐含层包括数据特征组合层和特征分类层,将输入层的每个神经元视为形成区域组合的基础要素,所述数据特征组合层用于将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元;所述特征分类层用于将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出区域组合位置的角、线、面、弧基础特征。
可选地,所述隐含层还包括特征分类组合层和特征分类对比层;所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形,所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置数据和量的数据。
可选地,所述隐含层还包括差分输出层,所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。
本发明的有益效果:
本发明实施例提供的基于脉冲神经网络的特征分类方法,过对本质特征的分类和量分类综合后,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高,可延长输入数据分类动作等特征,通用性强。
本发明实施例提供的基于脉冲神经网络系统,通过对本质特征的分类和量分类综合后,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该系统分类事务效率高,可延长输入数据时间分类动作等特征,通用性强。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明提供的一种基于脉冲神经网络的特征分类方法第一实施例的流程图;
图2示出了本发明提供的一种基于脉冲神经网络系统的第一实施例的非全域连接结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明提供的一种基于脉冲神经网络的特征分类方法第一实施例的流程图,方法包括:
S1:设置输入层每个神经元的输入数据,所述输入数据由本质特征数据和量的数据组成,将输入层的神经元数据传递到到隐含层;
S2:隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;
S3:输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。
在本实施例中,本质特征数据为幅度数据,量的数据为频率数据。通过将神经元的输入数据转化为脉冲序列,将脉冲序列的特征分解为本质特征数据和量的数据,其中,本质特征数据为脉冲幅度,量的数据为脉冲频率。在采用脉冲神经网络算法计算时,本质特征数据采用决策树方法进行判断,频率数据采用投票原理多数获胜进行判断。根据脉冲幅度的真或假用来判断信号的有或无,频率用来判断信号强度大小。预先设置脉冲幅度阀值,通过幅度阀值可有效分类本质特征是否能激活,通过频率判断激活强度。将输入数据分为本质特征数据和量的数据,避免了特征因为输入量的变化而影响对特征的变化。例如,图像色彩或声音频率当有输入时,本质特征数据为真,图像的亮度或声音的大小为量的数据。图像亮度和声音大小变化不会改变对事物存在的判断,只会影响其远近、结构变化和最终最大强度的判断。由于神经元非全域连接,每个小区域特征数据包含有位置特征数据。每个小特征数据通过更高一层更大区域组合构成带有位置特征数据的图形,如:某个小区域特征数据组合为“口”形,更大区域组合为“品”形,而每个角和直线都有相应的位置特征数据。
隐含层包括输入数据特征组合层、特征分类层、特征组合分类层、特征分类对比层和差分输出层。输入层的每个神经元视为形成区域组合的基础要素,输入数据特征组合层将输入层的不同位置的多个神经元通过组合形成小区域的特征组合,形成角、线、面、弧特征单元,特征分类层将不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出小区域组合位置的角、线、面、弧基础特征,例如将图像分为3x3,5x5,9x9等小区域像素点,所有的神经元是基础要素,形成3x3,5x5,9x9小区域组合的神经元构成了不同大小区域组合,激活的神经元为构成3x3,5x5,9x9小区域的角、线、面、弧基础特征,输出构成3x3,5x5,9x9小区域的角、线、面、弧基础特征的神经元。
特征分类组合层将由多个小区域组合位置的角、线、面、弧基础特征形成中等区域的特征组合分类图形,例如:多个角和线组合形成多边形,四个角和四条线组合形成四边形,此时,中等区域特征包含了小区域特征相应的位置特征数据和不同小区域特征量的数据。
特征分类对比层将特征分类组合层将形成更大区域的特征组合分类的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置数据和量的数据。中等区域形成的图形再组合为大区域的图像。采用差分的方法增强对比度。例如:特征分类对比层将四边形差分掉三角形,让四边形特征神经元凸显。神经元阀值的高低使相应的神经元需要不同数量的基础要素特征数据激活,激活的神经元的频率强度不同,就凸显出特征神经元。每个神经元代表所包含不同基础特征组合,当相似特征出现时,会激活同一特征神元,但激活相同神经元的量的数据和其他神经元量的数据不同,可通过输出数据组合判断,进一步区分不同。
差分输出层将组成不同图形的特征神经元的位置数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。通过与邻近的特征神经元进行差分比较,输出频率最强的特征神经元。
输出层将输入层和隐含层的各个神经元输出数据进行对比计算,找到频率最大值的特征神经元,选择并标注出最大值神经元的数据作为分类结果,最大值的神经元数据被查找出来。
本发明实施例提供的基于脉冲神经网络的特征分类方法,过对本质特征的分类和量分类综合后,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高,可延迟分类动作等特征,通用性强。
如图2所示,示出了本发明实施例还提供一种基于脉冲神经网络系统第一实施例的非全域连接结构示意图,包括输入层、隐含层和输出层,所述输入层用于将每个神经元的输入数分解为本质特征数据和量的数据,将神经元数据传递到到隐含层;所述隐含层对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;所述输出层用于将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。在本实施例中,本质特征数据为幅度数据,所述量的数据为频率数据。
在本实施例中,隐含层包括数据特征组合层和特征分类层,将输入层的每个神经元视为形成区域组合的基础要素,所述数据特征组合层用于将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元;所述特征分类层用于将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出区域组合位置的角、线、面、弧基础特征。
在本实施例中,隐含层还包括特征分类组合层和特征分类对比层;所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形,所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置特征数据和量的数据。
在本实施例中,隐含层还包括差分输出层,所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。
本发明实施例提供的基于脉冲神经网络系统,通过对本质特征的分类和量分类综合后,可以不需要大量数据通过反向递归算法获取权重值来分类事物,仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该系统分类事务效率高,可延长输入数据时间分类动作等特征,通用性强。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于脉冲神经网络的特征分类方法,其特征在于,
设置输入层每个神经元的输入数据,所述输入数据由本质特征数据和量的数据组成,将输入层的神经元数据传递到到隐含层;
隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;
输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。
2.如权利要求1所述的基于脉冲神经网络的特征分类方法,其特征在于,所述本质特征数据为信号幅度,所述量的数据为信号频率。
3.如权利要求2所述的基于脉冲神经网络的特征分类方法,其特征在于,所述隐含层包括数据特征组合层和特征分类层,将输入层的每个神经元视为形成区域组合的基础要素,所述数据特征组合层将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元;所述特征分类层将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出区域组合位置的角、线、面、弧基础特征。
4.如权利要求3所述的基于脉冲神经网络的特征分类方法,其特征在于,所述隐含层还包括特征分类组合层和特征分类对比层;所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形,所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置特征数据和量的数据。
5.如权利要求4所述的基于脉冲神经网络的特征分类方法,其特征在于,所述隐含层还包括差分输出层,所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。
6.一种脉冲神经网络系统,其特征在于,包括输入层、隐含层和输出层,所述输入层用于将每个神经元的输入数分解为本质特征数据和量的数据,将神经元数据传递到到隐含层;所述隐含层对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值,并将隐含层的输出值传递到输出层;所述输出层用于将输入层和隐含层的各个神经元的输出的量的数据进行对比计算,选择并标注出最大值神经元的数据作为分类结果。
7.如权利要求6所述的脉冲神经网络系统,其特征在于,所述本质特征数据为幅度数据,所述量的数据为频率数据。
8.如权利要求7所述的脉冲神经网络系统,其特征在于,所述隐含层包括数据特征组合层和特征分类层,将输入层的每个神经元视为形成区域组合的基础要素,所述数据特征组合层用于将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元;所述特征分类层用于将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比,输出区域组合位置的角、线、面、弧基础特征。
9.如权利要求8所述的脉冲神经网络系统,其特征在于,所述隐含层还包括特征分类组合层和特征分类对比层;所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形,所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比,输出组成不同图形的特征神经元的位置特征数据和量的数据。
10.如权利要求9所述的脉冲神经网络系统,其特征在于,所述隐含层还包括差分输出层,所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较,输出频率不同的特征神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936803.6A CN109102027A (zh) | 2018-08-16 | 2018-08-16 | 一种基于脉冲神经网络的特征分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936803.6A CN109102027A (zh) | 2018-08-16 | 2018-08-16 | 一种基于脉冲神经网络的特征分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102027A true CN109102027A (zh) | 2018-12-28 |
Family
ID=64850003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810936803.6A Pending CN109102027A (zh) | 2018-08-16 | 2018-08-16 | 一种基于脉冲神经网络的特征分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102027A (zh) |
Cited By (2)
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 |
CN111611892A (zh) * | 2020-05-14 | 2020-09-01 | 青岛翰林汇力科技有限公司 | 应用神经网络的综合性智能深度学习方法 |
-
2018
- 2018-08-16 CN CN201810936803.6A patent/CN109102027A/zh active Pending
Cited By (3)
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 |
CN111611892A (zh) * | 2020-05-14 | 2020-09-01 | 青岛翰林汇力科技有限公司 | 应用神经网络的综合性智能深度学习方法 |
CN111611892B (zh) * | 2020-05-14 | 2024-03-19 | 龙立强人工智能科技(苏州)有限公司 | 应用神经网络的综合性智能深度学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bitterwolf et al. | In or out? fixing imagenet out-of-distribution detection evaluation | |
CN111753985B (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
Mendonça et al. | Decision tree search methods in fuzzy modeling and classification | |
CN109522966A (zh) | 一种基于密集连接卷积神经网络的目标检测方法 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN106127198A (zh) | 一种基于多分类器集成的图像文字识别方法 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN109102027A (zh) | 一种基于脉冲神经网络的特征分类方法及系统 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN102496023A (zh) | 像素层面的感兴趣区域提取方法 | |
CN110009030A (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
CN110059730A (zh) | 一种基于胶囊网络的甲状腺结节超声图像分类方法 | |
Zheng et al. | A Bilinear Multi-Scale Convolutional Neural Network for Fine-grained Object Classification. | |
CN106446804A (zh) | 一种基于elm的多粒度虹膜识别方法 | |
Jiang et al. | Backdoor attacks on time series: A generative approach | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
Sokal | The continuing search for order | |
Henderson et al. | Low-level tuning biases in higher visual cortex reflect the semantic informativeness of visual features | |
CN106372618A (zh) | 一种基于svm与遗传算法的道路提取方法及系统 | |
CN109472228A (zh) | 一种基于深度学习的哈欠检测方法 | |
CN108090460A (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取算法 | |
CN117333852A (zh) | 一种基于深度学习的驾驶员安全带检测方法 | |
CN106709480A (zh) | 基于加权强度pcnn模型的分块人脸识别方法 |
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 |