CN111310816B - 基于无监督匹配追踪编码的仿脑架构图像识别方法 - Google Patents

基于无监督匹配追踪编码的仿脑架构图像识别方法 Download PDF

Info

Publication number
CN111310816B
CN111310816B CN202010083016.9A CN202010083016A CN111310816B CN 111310816 B CN111310816 B CN 111310816B CN 202010083016 A CN202010083016 A CN 202010083016A CN 111310816 B CN111310816 B CN 111310816B
Authority
CN
China
Prior art keywords
neuron
pulse
time
coding
image
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.)
Active
Application number
CN202010083016.9A
Other languages
English (en)
Other versions
CN111310816A (zh
Inventor
于强
宋世明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202010083016.9A priority Critical patent/CN111310816B/zh
Publication of CN111310816A publication Critical patent/CN111310816A/zh
Application granted granted Critical
Publication of CN111310816B publication Critical patent/CN111310816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开基于无监督匹配追踪编码的仿脑架构图像识别方法。将之与高效的多脉冲学习算法TDP相结合，提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。主要步骤为：对输入数据进行预处理；无监督匹配追踪时序编码；多脉冲学习。大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性，更加接近人脑处理外界信息的方式，为图像识别技术提供了新的技术思路。

Description

基于无监督匹配追踪编码的仿脑架构图像识别方法
技术领域
本发明属于类脑计算、图像识别领域，尤其是有关提高基于时序编码的脉冲神经网络模型在图像识别上表现的技术，具体涉及一种基于无监督匹配追踪编码的仿脑架构图像识别方法。
背景技术
模式识别是人脑杰出认知能力的体现之一。例如，人类可以在很短的时间内区分不同的物体。科学实验表明神经元使用脉冲在大脑中传递和处理信息。因此，脉冲在高效的信息处理中起着至关重要的作用。受“脉冲”形式的启发，第三代神经网络，即脉冲神经网络(SNN)，被开发来探索大脑中基于脉冲的信息处理过程。
然而，如何设计一个具有生物合理性并且高效可行的脉冲神经网络框架进行图像识别仍是一个艰难的任务。就采用的编码方案而言，之前的工作可以分为两大类：基于速率编码的和基于时序编码的SNN。速率编码使用发射频率来表示不同的信息。较高的发射速率会导致编码窗口内出现更多数量的脉冲。基于速率编码，近年来研究者开发了多种用于图像分类的SNN，并取得了良好的性能。然而，它们中的大多数都使用了复杂的网络结构和高密度的脉冲，这使得他们的计算形式与非脉冲神经网络相似。因此，它们的计算效率仍是一个亟需解决的问题。另一方面，时序编码使用精确的脉冲发射时间来传递信息。由于使用了时序结构，时序编码具有更高的信息表示能力和更好的计算效率。但是，如何设计一个有效的基于时序编码的SNN仍然是一个难题。在之前的研究中，研究者已经开发了几种不同的基于时序编码的SNN来进行图像识别，例如Restricted Boltzmann Machine，S1C1-SNN和CSNN。尽管这些方法可以将信息编码成稀疏的时序脉冲时空图，并且具有轻量的网络结构，但它们在准确性方面的表现相对较差。
发明内容
本发明首先提出了一种更加高效且具有生物可信度的无监督匹配追踪的时序编码方法，之后将之与高效的多脉冲学习算法TDP相结合，提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。我们的方法大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性，更加接近人脑处理外界信息的方式，为图像识别技术提供了新的技术思路。
本发明提出了一种基于无监督匹配追踪编码的仿脑架构图像识别方法。整个系统主要包括以下三个部分：数据预处理、时序编码和多脉冲学习。具体的技术方案如下：
步骤一，对输入数据进行预处理：
将图像转换成灰度图像，然后对图像进行归一化处理。
步骤二，对图像进行时序编码：
首先，计算编码神经元的激活值:
Figure BDA0002380962870000021
其中：
Figure BDA0002380962870000022
是输入图像I在位置
Figure BDA0002380962870000023
的像素值；φi和Ri分别表示神经元的权重向量和感受野。
然后，选择具有最强激活水平的神经元发射脉冲，同时发送侧向抑制到其他的神经元。
反复进行这个选择和抑制的过程，直到没有神经元的激活值达到脉冲发射阈值为止。这等同于从图像中删除最佳匹配单元，然后让得到的残差继续进行下一步的迭代。
以t＝0时刻为例，首先我们将初始时刻的图像I0和神经元激活值
Figure BDA0002380962870000024
设置成I和Ai。之后选择有最大激活水平的神经元发射脉冲。
Figure BDA0002380962870000025
i0表示发射神经元的索引值，该神经元对应的激活值表示为
Figure BDA0002380962870000026
侧向抑制通过在I0中减去该神经元的特征实现，公式表示如下:
Figure BDA0002380962870000027
其中:I1表示t＝1时刻的残差图像，
Figure BDA0002380962870000028
表示
Figure BDA0002380962870000029
的平方范数，
Figure BDA00023809628700000210
表示公式(1)的整合过程。将公式(1)至(3)合并，我们可以更加清楚看到侧向抑制的过程。
Figure BDA00023809628700000211
通过公式(2)和(4)，后续t>0时刻的计算过程可以写成如下形式:
Figure BDA0002380962870000031
其中:
Figure BDA0002380962870000032
表示MP的系数。
重复上述步骤，我们可以将输入图像编码成一系列的脉冲。
编码神经元权重的选择对于不同任务来说是一个难题。在本发明中，我们同时提出了一种无监督的学习法则用来调整编码神经元的权重。
Figure BDA0002380962870000033
其中，λ是学习速率，
Figure BDA0002380962870000034
表示第t步时的残差。由公式(6)我们可以得到，编码神经元权重调整梯度是其残差的加权平均值。除此之外，为了使不同的编码神经元获取到不同的信息，在选择发射的神经元的过程中，本发明在原本的公式中添加了一个正则化项。此时，在第t步发射的神经元的下标可以表示:
Figure BDA0002380962870000035
其中，γ是正则化系数，
Figure BDA0002380962870000036
则是不同神经元之间的距离。
基于无监督匹配追踪得到的权重，对图像进行编码，之后我们人为的将得到的脉冲依次放在时间步长1ms的时间窗口内。由此，输入的图像被转换成了稀疏的时空脉冲图，从而作为下一阶段的输入。
步骤三，多脉冲学习：
本发明中我们采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。由于带漏电的整合放电模型leaky integrate-and-fire(LIF)的简单性和易处理性，本发明故采用其进行实验。
Figure BDA0002380962870000037
其中，
Figure BDA0002380962870000041
是到达第i个突触的第j个脉冲的时间，
Figure BDA0002380962870000042
代表当前神经元第j个输出脉冲的时间。N和wi表示突触前神经元的数目和相对应的突触权重。θ表示神经元的阈值。当神经元的膜电位大于阈值时，神经元会发射脉冲。每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重wi和核函数K(t)决定。K(t)是一个核函数，定义为：
Figure BDA0002380962870000043
V0是一个常数因子，用来对K(t)进行归一化。τm表示膜电位的时间常数，τs表示突触电流的时间常数。
在神经元整合输入的脉冲之后，学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲，同时对其他类别的输入保持沉默。本发明采用TDP(阈值驱动可塑性)多脉冲学习规则对神经元的权重进行调整。
在其他条件不变的情况下，神经元的脉冲响应个数可以由不同的阈值θ决定。因此，神经元对输入的响应可以通过脉冲阈值表层Spike Threshold Surface(STS)来表征。STS定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值
Figure BDA0002380962870000044
即
Figure BDA0002380962870000045
是满足ψ(θ)＝k的最小上界。我们定义Vmax为临界值
Figure BDA0002380962870000046
即当阈值θ>Vmax时，神经元的脉冲输出个数为零。TDP对神经元权重wi的调整规则如下：
Figure BDA0002380962870000047
其中，o是当前神经元的实际脉冲输出个数，d是目标的脉冲发放个数，η为学习速率。
有益效果
本发明首先提出了一种更加高效且具有生物可信度的无监督匹配追踪的时序编码方法，之后将之与高效的多脉冲学习算法TDP相结合，提出了一种新的基于无监督匹配追踪编码的仿脑架构图像识别技术。我们的方法大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性，更加接近人脑处理外界信息的方式，为图像识别技术提供了新的技术思路。
附图说明
图1是使用本发明提出的无监督匹配追踪时序编码方法对输入图片进行编码的示例图。
图2是本发明提出的基于无监督匹配追踪编码的仿脑架构图像识别技术的系统框架图；
图3展示了本发明与当前最新的脉冲神经网络模型的对比，表中的准确率是基于MNIST数据集得到的。
具体实施方式
下面结合附图对本发明的使用进行详细说明。
一种基于无监督匹配追踪编码的仿脑架构图像识别方法。整个系统主要包括以下三个部分：数据预处理、时序编码和多脉冲学习。具体的技术方案如下：
步骤一，对输入数据进行预处理：
将图像转换成灰度图像，然后对图像进行归一化处理。
步骤二，对图像进行时序编码：
首先，计算编码神经元的激活值:
Figure BDA0002380962870000051
其中：
Figure BDA0002380962870000052
是输入图像I在位置
Figure BDA0002380962870000053
的像素值；φi和Ri分别表示神经元的权重向量和感受野。
然后，选择具有最强激活水平的神经元发射脉冲，同时发送侧向抑制到其他的神经元。
反复进行这个选择和抑制的过程，直到没有神经元的激活值达到脉冲发射阈值为止。这等同于从图像中删除最佳匹配单元，然后让得到的残差继续进行下一步的迭代。
以t＝0时刻为例，首先我们将初始时刻的图像I0和神经元激活值
Figure BDA0002380962870000054
设置成I和Ai。之后选择有最大激活水平的神经元发射脉冲。
Figure BDA0002380962870000055
i0表示发射神经元的索引值，该神经元对应的激活值表示为
Figure BDA0002380962870000056
侧向抑制通过在I0中减去该神经元的特征实现，公式表示如下:
Figure BDA0002380962870000061
其中:I1表示t＝1时刻的残差图像，
Figure BDA0002380962870000062
表示
Figure BDA00023809628700000611
的平方范数，
Figure BDA0002380962870000063
表示公式(1)的整合过程。将公式(1)至(3)合并，我们可以更加清楚看到侧向抑制的过程。
Figure BDA0002380962870000064
通过公式(2)和(4)，后续t>0时刻的计算过程可以写成如下形式:
Figure BDA0002380962870000065
其中:
Figure BDA0002380962870000066
表示MP的系数。
重复上述步骤，我们可以将输入图像编码成一系列的脉冲。
编码神经元权重的选择对于不同任务来说是一个难题。在本发明中，我们同时提出了一种无监督的学习法则用来调整编码神经元的权重。
Figure BDA0002380962870000067
其中，λ是学习速率，
Figure BDA0002380962870000068
表示第t步时的残差。由公式(6)我们可以得到，编码神经元权重调整梯度是其残差的加权平均值。除此之外，为了使不同的编码神经元获取到不同的信息，在选择发射的神经元的过程中，本发明在原本的公式中添加了一个正则化项。此时，在第t步发射的神经元的下标可以表示:
Figure BDA0002380962870000069
其中，γ是正则化系数，
Figure BDA00023809628700000610
则是不同神经元之间的距离。
基于无监督匹配追踪得到的权重，对图像进行编码，之后我们人为的将得到的脉冲依次放在时间步长1ms的时间窗口内。由此，输入的图像被转换成了稀疏的时空脉冲图，从而作为下一阶段的输入。
步骤三，多脉冲学习：
本发明中我们采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。由于带漏电的整合放电模型leaky integrate-and-fire(LIF)的简单性和易处理性，本发明故采用其进行实验。
Figure BDA0002380962870000071
其中，
Figure BDA0002380962870000072
是到达第i个突触的第j个脉冲的时间，
Figure BDA0002380962870000073
代表当前神经元第j个输出脉冲的时间。N和wi表示突触前神经元的数目和相对应的突触权重。θ表示神经元的阈值。当神经元的膜电位大于阈值时，神经元会发射脉冲。每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重wi和核函数K(t)决定。K(t)是一个核函数，定义为：
Figure BDA0002380962870000074
V0是一个常数因子，用来对K(t)进行归一化。τm表示膜电位的时间常数，τs表示突触电流的时间常数。
在神经元整合输入的脉冲之后，学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲，同时对其他类别的输入保持沉默。本发明采用TDP(阈值驱动可塑性)多脉冲学习规则对神经元的权重进行调整。
在其他条件不变的情况下，神经元的脉冲响应个数可以由不同的阈值θ决定。因此，神经元对输入的响应可以通过脉冲阈值表层Spike Threshold Surface(STS)来表征。STS定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值
Figure BDA0002380962870000075
即
Figure BDA0002380962870000076
是满足ψ(θ)＝k的最小上界。我们定义Vmax为临界值
Figure BDA0002380962870000077
即当阈值θ>Vmax时，神经元的脉冲输出个数为零。TDP对神经元权重wi的调整规则如下：
Figure BDA0002380962870000078
其中，o是当前神经元的实际脉冲输出个数，d是目标的脉冲发放个数，η为学习速率。
(1)对输入数据进行预处理。
首先将输入的图片转换为灰度值，并且将输入的图片进行归一化处理。
(2)无监督匹配追踪时序编码。
首先使用本发明提出的无监督匹配追踪方法对编码神经元的权重进行学习。之后基于学习的权重，再将输入图片编码成稀疏的脉冲时空图，作为下一阶段的输入。
(3)多脉冲学习。
在通过无监督的匹配追踪时序编码得到稀疏时空脉冲图之后，运用多脉冲学习算法，通过调整权重使其对指定类别的脉冲发放一定数量的脉冲，同时使其对其它类别保持沉默。在模型决策时，选择脉冲输出数量最多的神经元所代表的类别作为本发明分类的结果。图1是使用本发明提出的无监督匹配追踪时序编码方法对输入图片进行编码的示例图。
图2是本发明提出的基于无监督匹配追踪编码的仿脑架构图像识别技术的系统框架图；
图3展示了本发明与当前最新的脉冲神经网络模型的对比，表中的准确率是基于MNIST数据集得到的。

Claims (2)

1.基于无监督匹配追踪编码的仿脑架构图像识别方法，其特征在于，主要包括以下三个部分：数据预处理、时序编码和多脉冲学习，具体如下：
步骤一，对输入数据进行预处理：
将图像转换成灰度图像，然后对图像进行归一化处理；
步骤二，对图像进行时序编码：
首先，计算编码神经元的激活值，
Figure FDA0004074183620000011
其中：
Figure FDA0004074183620000012
是输入图像I在位置
Figure FDA0004074183620000013
的像素值，φi和Ri分别表示神经元的权重向量和感受野；
然后，选择具有最强激活水平的神经元发射脉冲，同时发送侧向抑制到其他的神经元，反复进行这个选择和抑制的过程，直到没有神经元的激活值达到脉冲发射阈值为止；
以t＝0时刻为例，首先将初始时刻的图像I0和神经元激活值
Figure FDA0004074183620000014
设置成I和Ai，之后选择有最大激活水平的神经元发射脉冲
Figure FDA0004074183620000015
i0表示发射神经元的索引值，该神经元对应的激活值表示为
Figure FDA0004074183620000016
侧向抑制通过在I0中减去该神经元的特征实现，公式表示如下:
Figure FDA0004074183620000017
其中:I1表示t＝1时刻的残差图像，
Figure FDA0004074183620000018
表示
Figure FDA0004074183620000019
的平方范数，表示公式(1)的整合过程；将公式(1)至(3)合并，侧向抑制的过程如下：
Figure FDA00040741836200000110
通过公式(2)和(4)，后续t＞0时刻的计算过程写成如下形式:
Figure FDA0004074183620000021
其中:
Figure FDA0004074183620000022
表示MP的系数
重复上述步骤，将输入图像编码成一系列的脉冲；
同时提出一种无监督的学习法则用来调整编码神经元的权重：
Figure FDA0004074183620000023
其中，λ是学习速率，
Figure FDA0004074183620000024
表示第t步时的残差，由公式(6)可以得到，编码神经元权重调整梯度是其残差的加权平均值；
除此之外，为了使不同的编码神经元获取到不同的信息，在选择发射的神经元的过程中，在公式(5)中添加了一个正则化项，此时，在第t步发射的神经元的下标表示:
Figure FDA0004074183620000025
其中，γ是正则化系数，
Figure FDA0004074183620000026
则是不同神经元之间的距离；
基于无监督匹配追踪得到的权重，对图像进行编码，之后将得到的脉冲依次放在时间步长1ms的时间窗口内，由此，输入的图像被转换成了稀疏的时空脉冲图，从而作为下一阶段的输入；
步骤三，多脉冲学习:
采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。
2.根据权利要求1所述的基于无监督匹配追踪编码的仿脑架构图像识别方法，其特征在于，所述步骤三具体：采用带漏电的整合放电模型leaky integrate-and-fire进行实验：
Figure FDA0004074183620000027
其中，
Figure FDA0004074183620000028
是到达第i个突触的第j个脉冲的时间，
Figure FDA0004074183620000029
代表当前神经元第j个输出脉冲的时间，N和wi表示突触前神经元的数目和相对应的突触权重，θ表示神经元的阈值；
当神经元的膜电位大于阈值时，神经元会发射脉冲，每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重wi和核函数K(t)决定；
K(t)是一个核函数，定义为：
Figure FDA0004074183620000031
V0是一个常数因子，用来对K(t)进行归一化；
τm表示膜电位的时间常数，τs表示突触电流的时间常数；
在神经元整合输入的脉冲之后，学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲，同时对其他类别的输入保持沉默；
采用TDP阈值驱动可塑性多脉冲学习规则对神经元的权重进行调整；
在其他条件不变的情况下，神经元的脉冲响应个数由不同的阈值θ决定；
神经元对输入的响应通过脉冲阈值表层Spike Threshold Surface来表征，SpikeThreshold Surface定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值
Figure FDA0004074183620000032
即
Figure FDA0004074183620000033
是满足ψ(θ)＝k的最小上界；
定义Vmax为临界值
Figure FDA0004074183620000034
即当阈值θ＞Vmax时，神经元的脉冲输出个数为零；
TDP对神经元权重wi的调整规则如下：
Figure FDA0004074183620000035
其中，o是当前神经元的实际脉冲输出个数，d是目标的脉冲发放个数，η为学习速率。
CN202010083016.9A 2020-02-07 2020-02-07 基于无监督匹配追踪编码的仿脑架构图像识别方法 Active CN111310816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010083016.9A CN111310816B (zh) 2020-02-07 2020-02-07 基于无监督匹配追踪编码的仿脑架构图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010083016.9A CN111310816B (zh) 2020-02-07 2020-02-07 基于无监督匹配追踪编码的仿脑架构图像识别方法

Publications (2)

Publication Number Publication Date
CN111310816A CN111310816A (zh) 2020-06-19
CN111310816B true CN111310816B (zh) 2023-04-07

Family

ID=71158295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010083016.9A Active CN111310816B (zh) 2020-02-07 2020-02-07 基于无监督匹配追踪编码的仿脑架构图像识别方法

Country Status (1)

Country Link
CN (1) CN111310816B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931736B (zh) * 2020-09-27 2021-01-19 浙江大学 利用非自回归模型与整合放电技术的唇语识别方法、系统
CN112597980B (zh) * 2021-03-04 2021-06-04 之江实验室 一种面向动态视觉传感器的类脑手势序列识别方法
CN114466153B (zh) * 2022-04-13 2022-09-09 深圳时识科技有限公司 自适应脉冲生成方法、装置、类脑芯片和电子设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238705A (zh) * 2011-07-04 2011-11-09 南京邮电大学 一种基于人工神经网络的无线传感器网络拓扑控制方法
CN108304767A (zh) * 2017-12-12 2018-07-20 中国科学院自动化研究所 基于多脑区协同计算的人类动作意图识别训练方法
CN108805879A (zh) * 2018-05-24 2018-11-13 电子科技大学 一种基于Spiking神经网络的图像分割方法
CN108985447A (zh) * 2018-06-15 2018-12-11 华中科技大学 一种硬件脉冲神经网络系统
CN109074363A (zh) * 2016-05-09 2018-12-21 华为技术有限公司 数据查询方法、数据查询系统确定方法和装置
CN109541616A (zh) * 2018-10-09 2019-03-29 天津大学 Bp神经网络雨、雪、雾天气脉冲激光测距方法
CN109611222A (zh) * 2018-11-06 2019-04-12 重庆邮电大学 一种基于脉冲神经网络的电子节气门控制方法
CN109616104A (zh) * 2019-01-31 2019-04-12 天津大学 基于关键点编码和多脉冲学习的环境声音识别方法
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
CN109871940A (zh) * 2019-01-31 2019-06-11 清华大学 一种脉冲神经网络的多层训练算法
CN109889275A (zh) * 2019-03-28 2019-06-14 兰州理工大学 一种适合于湍流信道的分层光空间调制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238705A (zh) * 2011-07-04 2011-11-09 南京邮电大学 一种基于人工神经网络的无线传感器网络拓扑控制方法
CN109074363A (zh) * 2016-05-09 2018-12-21 华为技术有限公司 数据查询方法、数据查询系统确定方法和装置
CN108304767A (zh) * 2017-12-12 2018-07-20 中国科学院自动化研究所 基于多脑区协同计算的人类动作意图识别训练方法
CN108805879A (zh) * 2018-05-24 2018-11-13 电子科技大学 一种基于Spiking神经网络的图像分割方法
CN108985447A (zh) * 2018-06-15 2018-12-11 华中科技大学 一种硬件脉冲神经网络系统
CN109541616A (zh) * 2018-10-09 2019-03-29 天津大学 Bp神经网络雨、雪、雾天气脉冲激光测距方法
CN109611222A (zh) * 2018-11-06 2019-04-12 重庆邮电大学 一种基于脉冲神经网络的电子节气门控制方法
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
CN109616104A (zh) * 2019-01-31 2019-04-12 天津大学 基于关键点编码和多脉冲学习的环境声音识别方法
CN109871940A (zh) * 2019-01-31 2019-06-11 清华大学 一种脉冲神经网络的多层训练算法
CN109889275A (zh) * 2019-03-28 2019-06-14 兰州理工大学 一种适合于湍流信道的分层光空间调制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A RETINA-INSPIRED ENCODER: AN INNOVATIVE STEP ON IMAGE CODING USING LEAKY INTEGRATE-AND-FIRE NEURONS;Melpomeni Dimopoulou 等;《IEEE》;20181031;正文第1-6页 *
An Architecture for the Acceleration of a Hybrid Leaky Integrate and Fire SNN on the Convey HC-2ex FPGA-Based Processor;Emmanouil Kousanakis 等;《2017 IEEE 25th Annual International Symposium on Field-Programmable Custom Computing Machines》;20171231;第55-63页 *
一种用于视觉颜色特征分类的脉冲神经网络;苏亚丽 等;《西安交通大学学报》;20191031;第115-121页 *
脉冲神经网络的监督学习算法研究综述;蔺想红 等;《电子学报》;20150331;第577-586页 *
谢长贵.模糊脉冲神经网络模型.《旋转机械的智能诊断方法研究》.电子科技大学出版社,2017, *

Also Published As

Publication number Publication date
CN111310816A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN112633497B (zh) 一种基于重加权膜电压的卷积脉冲神经网络的训练方法
CN110210563B (zh) 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111310816B (zh) 基于无监督匹配追踪编码的仿脑架构图像识别方法
Yan et al. Near lossless transfer learning for spiking neural networks
CN111858989B (zh) 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
US5822742A (en) Dynamically stable associative learning neural network system
CN108985252B (zh) 改进的脉冲深度神经网络的图像分类方法
Paupamah et al. Quantisation and pruning for neural network compression and regularisation
CN113205048B (zh) 一种手势识别方法及识别系统
CN108304912B (zh) 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法
CN114186672A (zh) 一种用于脉冲神经网络的高效高精度训练算法
CN110287985B (zh) 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法
CN112906828A (zh) 一种基于时域编码和脉冲神经网络的图像分类方法
CN114266351A (zh) 基于无监督学习时间编码的脉冲神经网络训练方法及系统
Ye et al. Recognition algorithm of emitter signals based on PCA+ CNN
Sorwar et al. Texture classification based on DCT and soft computing
CN115170943A (zh) 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法
CN115809700A (zh) 基于突触-阈值协同的脉冲神经网络学习方法
Harikrishnan et al. Handwritten digit recognition with feed-forward multi-layer perceptron and convolutional neural network architectures
Li et al. Pattern recognition of spiking neural networks based on visual mechanism and supervised synaptic learning
Ruan et al. Automatic recognition of radar signal types based on CNN-LSTM
CN110991602A (zh) 基于单指数核的事件驱动脉冲神经元仿真算法
CN115546556A (zh) 用于图像分类的脉冲神经网络的训练方法
Dasgaonkar et al. Analysis of multi-layered perceptron, radial basis function and convolutional neural networks in recognizing handwritten digits
CN115880324A (zh) 基于脉冲卷积神经网络的战场目标图像阈值分割方法

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
GR01 Patent grant
GR01 Patent grant