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 PDFInfo
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 230000014509 gene expression Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000012421 spiking Methods 0.000 claims description 5
- 230000000946 synaptic effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 239000012528 membrane Substances 0.000 abstract description 8
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000003518 presynaptic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
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:
所述步骤S3中对脉冲神经网络SNN进行训练时,在第l层中,和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,定义输入向量作为向量中的元素为z0,i,最后的输出向量作为输出向量中的元素为zL,i,较小的zL,i被定义为类的输出,具有非线性映射函数f和可训练的权重向量中包括所有权重将目标输出设为c类,通过损失函数训练网络:
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,
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
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。
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。
所述步骤S3中对脉冲神经网络SNN进行训练时,在第l层中,和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,定义输入向量作为向量中的元素为z0,i,最后的输出向量作为输出向量中的元素为zL,i,较小的zL,i被定义为类的输出,具有非线性映射函数f和可训练的权重向量其中包括所有权重将目标输出设为c类,通过损失函数训练网络:
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。
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,和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,定义输入向量作为向量中的元素为z0,i,最后的输出向量作为输出向量中的元素为zL,i,较小的zL,i被定义为类的输出,具有非线性映射函数f和可训练的权重向量 中包括所有权重将目标输出设为c类,通过损失函数训练网络:
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)
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)
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 |
-
2021
- 2021-04-08 CN CN202110378158.2A patent/CN112906828A/zh active Pending
Patent Citations (7)
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)
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)
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 |