CN112906828A - 一种基于时域编码和脉冲神经网络的图像分类方法 - Google Patents

一种基于时域编码和脉冲神经网络的图像分类方法 Download PDF

Info

Publication number
CN112906828A
CN112906828A CN202110378158.2A CN202110378158A CN112906828A CN 112906828 A CN112906828 A CN 112906828A CN 202110378158 A CN202110378158 A CN 202110378158A CN 112906828 A CN112906828 A CN 112906828A
Authority
CN
China
Prior art keywords
image
neural network
training
pulse
impulse
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
Application number
CN202110378158.2A
Other languages
English (en)
Inventor
周士博
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110378158.2A priority Critical patent/CN112906828A/zh
Publication of CN112906828A publication Critical patent/CN112906828A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

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)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于时域编码和脉冲神经网络的图像分类方法，包括以下步骤：S1.基于图像的时域编码和类别标记构建样本集；S2.构建脉冲神经网络作为分类模型；S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。本发明通过不需要计算神经元膜电位的直接训练框架，降低了脉冲神经网络的训练难度，进而有效实现了实时低功耗的图像识别分类。

Description

一种基于时域编码和脉冲神经网络的图像分类方法
技术领域
本发明涉及图像分类，特别是涉及一种基于时域编码和脉冲神经网络的图像分类方法。
背景技术
脉冲神经网络(SNN)具有强大的生物似然性，神经元通过脉冲进行交流，就像生物神经元一样。它们异步工作，即生成输出脉冲，而无需等待所有输入神经元脉冲，这带来了诸如脉冲稀疏，低延迟和高能效之类的优点。
但是SNN的性能已远远落后于传统的深度神经网络(DNN)，主要原因之一是SNN难以训练。，DNN用标准层响应y＝f(xW+b)表示，其中可以有效地进行梯度反向传播。，相反，对于SNN，我们必须模拟时域神经元膜电位具有不可分辨的脉冲，梯度递减既困难又费时，到目前为止，对SNN的直接训练仅限于浅层网络，没有人直接在像ImageNet这样的大型数据集上训练SNN；图像分类时，由于脉冲神经网络无法直接输入图像信息，故很难通过脉冲神经网络进行图像的分类识别。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于时域编码和脉冲神经网络的图像分类方法，通过不需要计算神经元膜电位的直接训练框架，降低了脉冲神经网络的训练难度，进而有效实现了低功耗的图像识别分类。
本发明的目的是通过以下技术方案来实现的：一种基于时域编码和脉冲神经网络的图像分类方法，包括以下步骤：
S1.基于时域编码的图像和类别标记构建样本集；
S2.构建脉冲神经网络作为分类模型；
S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；
S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。
其中，所述步骤S1包括以下子步骤：
S101.采集多张图像；
S102.对于任一张图像，将其像素标准化为pi∈[0，1]，并编码为从小到大的脉冲时间t1,t2,...,tN；其中，ti＝α(-pi+1)，i＝1,2,...,N，N为编码长度，参数α用于调整脉冲时间间隔，同时对于该张图像进行类别标记，将该张图像的编码结果和类别标记作为相应的训练样本；
S103.对于采集到的每一张图像，重复步骤S102，得到每一张图像相应的训练样本，并将得到的训练样本加入到同一个集合中，得到样本集。
所述步骤S2中构建的脉冲神经网络包括多层神经元结构，对于每一个图像，从编码得到的脉冲时间t1,t2,...,tN中取前k个数据t1,t2,...,tk用于脉冲神经网络的训练，其中k不大于输入层的神经元个数；
相邻两层神经元之间的层响应函数为：
Figure BDA0003011659150000021
其中，对于两层相邻的神经元，
Figure BDA0003011659150000022
表示层响应输入，
Figure BDA0003011659150000023
为层响应输出，θ为预设阈值，
Figure BDA0003011659150000024
集合C表示满足tk＜tj条件下的所有输入神经元,wji是从输入神经元i到输出神经元j的突触连接权重，τ为预设的衰减时间常数。
所述步骤S3中对脉冲神经网络SNN进行训练时，在第l层中，
Figure BDA0003011659150000025
和
Figure BDA0003011659150000026
被直接用作神经元的输入和输出，τ为预设的固定参数，对于一个有L层深度的脉冲神经网络，定义输入向量作为
Figure BDA0003011659150000027
向量中的元素为z0,i，最后的输出向量作为
Figure BDA0003011659150000028
输出向量中的元素为zL,i，较小的zL,i被定义为类的输出，
Figure BDA0003011659150000029
具有非线性映射函数f和可训练的权重向量
Figure BDA00030116591500000210
中包括所有权重
Figure BDA00030116591500000211
将目标输出设为c类，通过损失函数训练网络：
Figure BDA00030116591500000212
损失函数由三部分组成，第一部分是为了训练网络，使得网络输出的最小值与真实值对应，使zL,c最小，即等效于tL,c最小：在
Figure BDA00030116591500000213
中，分子表示所预测的正确类数值，分母表示除正确类外预测的所有类数值和，这样就能够求得正确类数值所占的比例，通过训练使得损失函数越来越小，从而增加正确类所占的比例，由于分子是一个倒数，所以zL,c越小，分子越大，损失函数越小；第二部分是权重总和成本，它增加了每个神经元的输入权重总和，以增加其发射概率，第三部分是L2正则化，以防止权重变得太大，参数K和λ是加权系数，结合层响应表达式，通过梯度反向传播来训练权重，当损失函数小于设定阈值时，得到训练成熟的脉冲神经网络。
本发明的有益效果是：本发明通过不需要计算神经元膜电位的直接训练框架，降低了脉冲神经网络的训练难度，进而有效实现了低功耗的图像识别分类。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于时域编码和脉冲神经网络的图像分类方法，包括以下步骤：
S1.基于图像的时域编码和类别标记构建样本集；
S2.构建脉冲神经网络作为分类模型；
S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；
S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。
其中，所述步骤S1包括以下子步骤：
S1.采集多张图像；
S2.对于任一张图像，将其像素标准化(归一化)为pi∈[0，1]，并编码为脉冲时间ti＝α(-pi+1)，参数α用于调整脉冲时间间隔，同时对于该张图像进行类别标记，将该张图像的编码结果和类别标记作为相应的训练样本，所述类别标记为数值，每个图像类别对应于一个数值；
S3.对于采集到的每一张图像，重复步骤S102，得到每一张图像相应的训练样本，并将得到的训练样本加入到同一个集合中，得到样本集。
其中，所述步骤S2包括：
考虑了整合并激发神经元模型。对神经元j的膜电位vj(t)进行建模，
Figure BDA0003011659150000031
其中b是代表膜电位泄漏率的系数，wji是从输入神经元i到输出神经元j的突触连接权重，g(t)是突触电流核函数或脉冲波形，tik是第i个输入(突触前)神经元的第k个脉冲的发射时刻。b>0表示有泄漏的整合并激发(LIF)神经元，而b＝0表示无泄漏的整合并激发(IF)神经元。一旦vj(t)达到峰值阈值θ，神经元就会产生一个输出(突触后)脉冲，并重置膜电位。
信息可以以脉冲个数rj，脉冲时间tj或其他方式编码。我们考虑前两个，分别称为频域编码和时域编码。脉冲个数rj是从t＝0到t＝T的平均脉冲个数。对于时域编码，每个神经元在时间段T内产生单个脉冲。我们将脉冲时间表示为tj并采用首次脉冲发射时间(TTFS)编码。
为了找到理想的层响应模型，我们对(1)的解决方案进行了深入研究。
首先考虑频域编码。脉冲峰值g(t)＝δ(t)，非泄漏的整合并激发神经元具有闭合形式的层响应
Figure BDA0003011659150000041
其中ReLU(x)＝max{0，x}。类似的脉冲表达式也存在于Heaviside和指数衰减的脉冲波形。由于这些表达式与深度神经网络(DNN)的层响应相同，因此我们可以直接训练通过软件实现的基于(2)的网络，并将结果权重wji应用于在神经形态硬件中实现的实际SNN。请注意，(2)也是将深度神经网络转换为脉冲神经网络的理论基础，根据(2)，直接训练SNN和间接训练SNN变得相似。唯一的区别是后者训练权重wji/θ而不是wji，因此需要权重归一化，(2)只是一个近似模型。建模误差在深层SNN中累积到很高的水平。有些方法已经为间接训练SNN的开发做了改善，以在某种程度上减轻错误。校正需要计算膜电势，这又使直接训练变得困难。对于频域编码的LIF神经元，训练过程中层响应在数值上变得不稳定。具有脉冲波形的LIF神经元拥有层响应函数(3)。随机权重wji，通常会使log函数不确定，这意味着训练无法进行。其他脉冲波形也会发生相同的问题。
Figure BDA0003011659150000042
接下来，对于时域编码，具有指数衰减的脉冲波形的LIF神经元会发生类似的数值不稳定性。层响应用Lambert W函数或二次方程根表示。随机权重通常会导致产生负值或复杂值，从而阻止梯度更新。
时域编码的非泄漏IF神经元具有直接训练所需的层响应。使用指数衰减的脉冲波形，可以将层响应公式化为(4)，其中设置
Figure BDA0003011659150000043
对于Heaviside脉冲波形，IF和LIF神经元都具有相似的层响应。没有明显的建模误差，并且表达式具有良好的数值稳定性。
Figure BDA0003011659150000051
所述步骤S3中对脉冲神经网络SNN进行训练时，在第l层中，
Figure BDA0003011659150000052
和
Figure BDA0003011659150000053
被直接用作神经元的输入和输出，对于一个有L层深度的脉冲神经网络，定义输入向量作为
Figure BDA0003011659150000054
向量中的元素为z0,i，最后的输出向量作为
Figure BDA0003011659150000055
输出向量中的元素为zL,i，较小的zL,i被定义为类的输出，
Figure BDA0003011659150000056
具有非线性映射函数f和可训练的权重向量
Figure BDA0003011659150000057
其中包括所有权重
Figure BDA0003011659150000058
将目标输出设为c类，通过损失函数训练网络：
Figure BDA0003011659150000059
损失函数由三部分组成，第一部分是使zL,c最小，等效于tL,c最小；第二部分是权重总和成本，它增加了每个神经元的输入权重总和，以增加其发射概率，第三部分是L2正则化，以防止权重变得太大，参数K和λ是加权系数，结合层响应表达式，通过梯度反向传播可以用来训练权重。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：包括以下步骤：
S1.基于时域编码的图像和类别标记构建样本集；
S2.构建脉冲神经网络作为分类模型；
S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；
S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。
2.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S1包括以下子步骤：
S101.采集多张图像；
S102.对于任一张图像，将其像素标准化为pi∈[0，1]，并编码为从小到大的脉冲时间t1,t2,...,tN；其中，ti＝α(-pi+1)，i＝1,2,...,N，N为编码长度，参数α用于调整脉冲时间间隔，同时对于该张图像进行类别标记，将该张图像的编码结果和类别标记作为相应的训练样本；
S103.对于采集到的每一张图像，重复步骤S102，得到每一张图像相应的训练样本，并将得到的训练样本加入到同一个集合中，得到样本集。
3.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S2中构建的脉冲神经网络包括多层神经元结构，对于每一个图像，从编码得到的脉冲时间t1,t2,...,tN中取前k个数据t1,t2,...,tk用于脉冲神经网络的训练，其中k不大于输入层的神经元个数；
相邻两层神经元之间的层响应函数为：
Figure FDA0003011659140000011
其中，对于两层相邻的神经元，
Figure FDA0003011659140000012
表示层响应输入，
Figure FDA0003011659140000013
为层响应输出，θ为预设阈值，
Figure FDA0003011659140000014
集合C表示满足tk＜tj条件下的所有输入神经元,wji是从输入神经元i到输出神经元j的突触连接权重，τ为预设的衰减时间常数。
4.根据权利要求1所述的一种基于时域编码和脉冲神经网络的图像分类方法，其特征在于：所述步骤S3中对脉冲神经网络SNN进行训练时，在第l层中，
Figure FDA0003011659140000015
和
Figure FDA0003011659140000016
被直接用作神经元的输入和输出，对于一个有L层深度的脉冲神经网络，定义输入向量作为
Figure FDA0003011659140000021
向量中的元素为z0,i，最后的输出向量作为
Figure FDA0003011659140000022
输出向量中的元素为zL,i，较小的zL,i被定义为类的输出，
Figure FDA0003011659140000023
具有非线性映射函数f和可训练的权重向量
Figure FDA0003011659140000024
Figure FDA0003011659140000025
中包括所有权重
Figure FDA0003011659140000026
将目标输出设为c类，通过损失函数训练网络：
Figure FDA0003011659140000027
Figure FDA0003011659140000028
损失函数由三部分组成，第一部分是为了训练网络，使得网络输出的最小值与真实值对应，使zL,c最小，即等效于tL,c最小：在
Figure FDA0003011659140000029
中，分子表示所预测的正确类数值，分母表示除正确类外预测的所有类数值和，这样就能够求得正确类数值所占的比例，通过训练使得损失函数越来越小，从而增加正确类所占的比例，由于分子是一个倒数，所以zL,c越小，分子越大，损失函数越小；第二部分是权重总和成本，它增加了每个神经元的输入权重总和，以增加其发射概率，第三部分是L2正则化，以防止权重变得太大，参数K和λ是加权系数，结合层响应表达式，通过梯度反向传播来训练权重。
CN202110378158.2A 2021-04-08 2021-04-08 一种基于时域编码和脉冲神经网络的图像分类方法 Pending CN112906828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110378158.2A CN112906828A (zh) 2021-04-08 2021-04-08 一种基于时域编码和脉冲神经网络的图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110378158.2A CN112906828A (zh) 2021-04-08 2021-04-08 一种基于时域编码和脉冲神经网络的图像分类方法

Publications (1)

Publication Number Publication Date
CN112906828A true CN112906828A (zh) 2021-06-04

Family

ID=76110159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110378158.2A Pending CN112906828A (zh) 2021-04-08 2021-04-08 一种基于时域编码和脉冲神经网络的图像分类方法

Country Status (1)

Country Link
CN (1) CN112906828A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257282A (zh) * 2021-07-15 2021-08-13 成都时识科技有限公司 语音情感识别方法、装置、电子设备以及存储介质
CN113255905A (zh) * 2021-07-16 2021-08-13 成都时识科技有限公司 脉冲神经网络中神经元的信号处理方法及该网络训练方法
CN113408611A (zh) * 2021-06-18 2021-09-17 电子科技大学 一种基于延迟机制的多层图像分类方法
CN113792857A (zh) * 2021-09-10 2021-12-14 中国人民解放军军事科学院战争研究院 一种基于膜电位自增机制的脉冲神经网络训练方法
CN114580630A (zh) * 2022-03-01 2022-06-03 厦门大学 用于ai芯片设计的神经网络模型训练方法及图形分类方法
CN114970829A (zh) * 2022-06-08 2022-08-30 中国电信股份有限公司 脉冲信号处理方法、装置、设备及存储
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN114580630B (zh) * 2022-03-01 2024-05-31 厦门大学 用于ai芯片设计的神经网络模型训练方法及图形分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092959A (zh) * 2017-04-07 2017-08-25 武汉大学 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型
US20180174028A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Sparse coding using neuromorphic computing
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
CN110659730A (zh) * 2019-10-10 2020-01-07 电子科技大学中山学院 基于脉冲神经网络的端到端功能性脉冲模型的实现方法
CN110751067A (zh) * 2019-10-08 2020-02-04 艾特城信息科技有限公司 一种结合生物形态神经元模型的动态表情识别方法
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
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174028A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Sparse coding using neuromorphic computing
CN107092959A (zh) * 2017-04-07 2017-08-25 武汉大学 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型
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
CN110751067A (zh) * 2019-10-08 2020-02-04 艾特城信息科技有限公司 一种结合生物形态神经元模型的动态表情识别方法
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
CN110659730A (zh) * 2019-10-10 2020-01-07 电子科技大学中山学院 基于脉冲神经网络的端到端功能性脉冲模型的实现方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIBO ZHOU ET AL.: "Temporal-Coded Deep Spiking Neural Network with Easy Training and Robust Performance", 《ARXIV》 *
胡一凡 等: "脉冲神经网络研究进展综述", 《控制与决策》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408611A (zh) * 2021-06-18 2021-09-17 电子科技大学 一种基于延迟机制的多层图像分类方法
CN113257282B (zh) * 2021-07-15 2021-10-08 成都时识科技有限公司 语音情感识别方法、装置、电子设备以及存储介质
CN113257282A (zh) * 2021-07-15 2021-08-13 成都时识科技有限公司 语音情感识别方法、装置、电子设备以及存储介质
CN113255905A (zh) * 2021-07-16 2021-08-13 成都时识科技有限公司 脉冲神经网络中神经元的信号处理方法及该网络训练方法
CN113255905B (zh) * 2021-07-16 2021-11-02 成都时识科技有限公司 脉冲神经网络中神经元的信号处理方法及该网络训练方法
CN113792857B (zh) * 2021-09-10 2023-10-20 中国人民解放军军事科学院战争研究院 一种基于膜电位自增机制的脉冲神经网络训练方法
CN113792857A (zh) * 2021-09-10 2021-12-14 中国人民解放军军事科学院战争研究院 一种基于膜电位自增机制的脉冲神经网络训练方法
CN114580630A (zh) * 2022-03-01 2022-06-03 厦门大学 用于ai芯片设计的神经网络模型训练方法及图形分类方法
CN114580630B (zh) * 2022-03-01 2024-05-31 厦门大学 用于ai芯片设计的神经网络模型训练方法及图形分类方法
CN114970829A (zh) * 2022-06-08 2022-08-30 中国电信股份有限公司 脉冲信号处理方法、装置、设备及存储
CN114970829B (zh) * 2022-06-08 2023-11-17 中国电信股份有限公司 脉冲信号处理方法、装置、设备及存储
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN115429293B (zh) * 2022-11-04 2023-04-07 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置

Similar Documents

Publication Publication Date Title
CN112906828A (zh) 一种基于时域编码和脉冲神经网络的图像分类方法
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
CN110555523B (zh) 一种基于脉冲神经网络的短程跟踪方法及系统
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
CN109871940B (zh) 一种脉冲神经网络的多层训练算法
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
CN108985252B (zh) 改进的脉冲深度神经网络的图像分类方法
CN110490320B (zh) 基于预测机制和遗传算法融合的深度神经网络结构优化方法
CN112884056A (zh) 基于优化的lstm神经网络的污水水质预测方法
CN108446766A (zh) 一种快速训练堆栈自编码深度神经网络的方法
CN114186672A (zh) 一种用于脉冲神经网络的高效高精度训练算法
CN112183742A (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN108304912A (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
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
CN111310816B (zh) 基于无监督匹配追踪编码的仿脑架构图像识别方法
CN113935475A (zh) 具有脉冲时刻偏移量的脉冲神经网络的仿真与训练方法
CN115033662A (zh) 一种分布式注意的时序知识图谱推理方法
CN114488069A (zh) 基于图神经网络的雷达高分辨率距离像识别方法
CN110188621A (zh) 一种基于ssf-il-cnn的三维人脸表情识别方法
CN115546556A (zh) 用于图像分类的脉冲神经网络的训练方法
CN113553917B (zh) 一种基于脉冲迁移学习的办公设备识别方法
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法
CN115063597A (zh) 一种基于类脑学习的图像识别方法
CN112288078B (zh) 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法与系统
CN118114734A (zh) 基于稀疏正则化理论的卷积神经网络优化方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604

RJ01 Rejection of invention patent application after publication