CN112906884A - 一种基于脉冲连续吸引子网络的类脑预测跟踪方法 - Google Patents

一种基于脉冲连续吸引子网络的类脑预测跟踪方法 Download PDF

Info

Publication number
CN112906884A
CN112906884A CN202110159275.XA CN202110159275A CN112906884A CN 112906884 A CN112906884 A CN 112906884A CN 202110159275 A CN202110159275 A CN 202110159275A CN 112906884 A CN112906884 A CN 112906884A
Authority
CN
China
Prior art keywords
neuron
pulse
neurons
real
attractor network
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
Application number
CN202110159275.XA
Other languages
English (en)
Other versions
CN112906884B (zh
Inventor
弭元元
余柳涛
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.)
Chongqing University
Peng Cheng Laboratory
Original Assignee
Chongqing University
Peng Cheng Laboratory
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 Chongqing University, Peng Cheng Laboratory filed Critical Chongqing University
Priority to CN202110159275.XA priority Critical patent/CN112906884B/zh
Publication of CN112906884A publication Critical patent/CN112906884A/zh
Application granted granted Critical
Publication of CN112906884B publication Critical patent/CN112906884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于脉冲连续吸引子网络的类脑预测跟踪方法，所述方法包括：获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型；根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。

Description

一种基于脉冲连续吸引子网络的类脑预测跟踪方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及的是一种基于脉冲连续吸引子网络的类脑预测跟踪方法。
背景技术
现有技术中基于连续吸引子网络的在线跟踪算法采用发放率神经元作为基本单元，只是在网络连接结构层面上的仿脑，并未在更底层的神经元单元上仿脑，不适用于处理神经形态感知芯片产生的信号，也不适于在当前快速发展的神经形态计算芯片上进行部署实现。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于脉冲连续吸引子网络的类脑预测跟踪方法，旨在解决现有技术中类脑预测跟踪方法并未在更底层的神经元单元上仿脑，不适用于处理神经形态感知芯片产生的信号，也不适于在当前快速发展的神经形态计算芯片上进行部署实现的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于脉冲连续吸引子网络的类脑预测跟踪方法，其中，所述方法包括：
获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
在一种实现方式中，其中，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型包括：
获取有漏损的整合发放神经元模型；
获取视觉场景大小；
构建所述脉冲连续吸引子网络模型中神经元之间的交互关系，生成与所述视觉场景大小对应的脉冲连续吸引子网络模型；其中，所述交互关系的表达公式为：
Figure BDA0002935654310000021
其中σcon表示连接的宽度，可根据具体场景大小进行设定，θi、θj为偏好方向，J0是归一化参数。
在一种实现方式中，其中，所述输入向量用Iext表示，其中Iext的具体表达公式为：
Figure BDA0002935654310000022
其中λ表示外界输入的强度，a和b为常量，σstm表示输入的宽度，均值θstm表示当前运动目标所在的位置，与目标运动速度vext及目标初始位置θ0相关；其中，所述输入向量为钟型函数。
在一种实现方式中，其中，所述单个脉冲神经元的动力学过程满足的函数为：
Figure BDA0002935654310000031
其中，t是时间，Vi即为Vi(t)是神经元i的膜电位，Cm是神经元的膜电容，VL是漏损电流的平衡电位，Vth是神经元产生动作电位的阈值，gL(Vi(t)-VL)表示漏损，Ii，syn(t)表示该神经元接收来自于网络中所有神经元的突触电流，Ii，sfa(t)代表脉冲频率自适应的负反馈电流，Ii，ext(t)表征运动目标对应的外界输入电流，Vreset为静息电压。
在一种实现方式中，其中，所述根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置包括：
根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果；
根据所述神经元群的演化计算结果，统计脉冲连续吸引子网络中兴奋性神经元的实时发放率，得到兴奋性神经元的实时发放率的统计结果；
对所述统计结果进行位置解码，得到运动目标的实时预测位置；其中，所述实时预测位置由各神经元的实时发放率所构成的高斯型曲线的质心表示，计算方法如下：
Figure BDA0002935654310000032
其中fi为神经元i的实时发放率，θi为其偏好方向，NE为兴奋性神经元个数。
在一种实现方式中，其中，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将所述脉冲连续吸引子网络模型的神经元之间的连接权重函数按照3比特离散值进行离散化，得到神经元之间的离散连接权重函数；
将所述钟型函数转化为方波函数，其中，所述方波函数的波形中心表示所述运动目标的实时位置；
将所述脉冲连续吸引子网络的网络尺寸缩减为64个兴奋性神经元和1个抑制性神经元；其中，所述网络尺寸为128个兴奋性神经元和32个抑制性神经元。
在一种实现方式中，其中，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将所述脉冲连续吸引子网络模型中电导依赖的突触模型简化为电流依赖的突触模型，使所述突触模型不受突触后神经元膜电位的影响；
对作为负反馈的脉冲频率自适应信号的电流进行简化替代，使所述电流不受当前神经元膜电位的影响。
在一种实现方式中，其中，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将脉冲连续吸引子网络模型扩展到二维平面。
第二方面，本发明实施例还提供一种基于脉冲连续吸引子网络的类脑预测跟踪装置，其中，所述装置包括：
脉冲连续吸引子网络模型构建单元，用于获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
输入向量生成单元，用于根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
演化计算结果获取单元，用于将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
实时预测位置获取单元，用于根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于脉冲连续吸引子网络的类脑预测跟踪方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于脉冲连续吸引子网络的类脑预测跟踪方法。
本发明的有益效果：本发明实施例首先获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；然后根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；接着将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；最后根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。可见，本发明实施例中的方法适用于处理神经形态感知芯片产生的信号，也能在当前快速发展的神经形态计算芯片上进行部署实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于脉冲连续吸引子网络的类脑预测跟踪方法流程示意图。
图2(a)为本发明实施例提供的带有脉冲频率自适应负反馈的有漏损整合发放神经元的典型活动模式示意图。
图2(b)为本发明实施例提供的脉冲连续吸引子网络连接结构示意图。
图3为本发明实施例提供的脉冲连续吸引子网络在不同脉冲频率自适应负反馈强度下对短时刺激的响应示意图。
图4为本发明实施例提供的在脉冲连续吸引子网络中设定vext＝70°/s的预测跟踪示意图。
图5为本发明实施例提供的在不同脉冲频率自适应负反馈强度及外界输入的情况下，脉冲连续吸引子网络活动表征的位置θnet与真实刺激的位置θstm之间的距离与vext的关系示意图。
图6为本发明实施例提供的简化模型的预测跟踪表现示意图。
图7为本发明实施例提供的二维脉冲连续吸引子网络及其预测跟踪表现示意图。
图8为本发明实施例提供的基于脉冲连续吸引子网络的类脑预测跟踪装置的原理框图。
图9为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种基于脉冲连续吸引子网络的类脑预测跟踪方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中，基于连续吸引子网络的在线跟踪算法采用发放率神经元作为基本单元，只是在网络连接结构层面上的仿脑，并未在更底层的神经元单元上仿脑，不适用于处理神经形态感知芯片产生的信号，也不适于在当前快速发展的神经形态计算芯片上进行部署实现。
为了解决现有技术的问题，本实施例提供了一种基于脉冲连续吸引子网络的类脑预测跟踪方法，本实施例的方法适用于处理神经形态感知芯片产生的信号，也能在当前快速发展的神经形态计算芯片上进行部署实现。具体实施时，首先获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；为后续进行神经元的动力学演化做准备；然后根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；为后续进行神经元的动力学演化做准备；接着将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；最后，根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
举例说明
随着类脑智能的发展，神经形态感知芯片(如动态视觉传感器DVS、脉冲相机Vidar、嗅觉传感器E-Nose等)和神经形态计算芯片(如IBM公司的TrueNorth芯片、Intel公司的Loihi芯片、清华大学的天机芯片等)在近年也得到了快速发展。神经形态感知芯片主要采用离散脉冲事件作为信号的表征，因而可以具备高动态范围、高时间分辨率、低功耗的特性，在高速、高动态范围的场景下具有广阔的应用前景。神经形态计算芯片主要面向仿生的脉冲神经网络计算，因其高速、低能耗的特点而备受关注，可直接对神经形态感知芯片的数据进行处理，且方便地在边缘设备进行部署。神经形态芯片由于其仿生特性而被视为迈向通用人工智能的基石之一，有极大的发展潜力。之前基于连续吸引子网络的在线跟踪算法采用发放率神经元作为基本单元，只是在网络连接结构层面上的仿脑，并未在更底层的神经元单元上仿脑，不适用于处理神经形态感知芯片产生的信号，也不适于在当前快速发展的神经形态计算芯片上进行部署实现。因此，本发明面向类脑智能、神经形态芯片的快速发展。在本实施例中，先获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型；其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；然后根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量，为后续进行神经元的动力学演化做准备；接着将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量,输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果，为后续预测运动目标的实时位置做准备；最后根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。现有技术是基于发放率的神经元模型搭建神经网络，发放率神经元通常是以发放率作为状态变量，神经元之间也是通过传递实时发放率进行交互。而本申请的脉冲神经元通常以膜电位作为状态变量，同时将其与特定阈值进行比较以判定该神经元在当前时刻是否产生脉冲(0或1)；神经元之间通过脉冲信号进行信息传递。本发明实施例的方法适用于处理神经形态感知芯片产生的信号，也能在当前快速发展的神经形态计算芯片上进行部署实现。
示例性方法
本实施例提供基于脉冲连续吸引子网络的类脑预测跟踪方法，该方法可以应用于通信工程智能终端。具体如图1所示，所述方法包括：
步骤S100、获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
具体地，吸引子状态指的是一个动力学系统在不接受外界输入情况下靠自身动力学就能维持的非静息的稳定状态(active stationary state)，其被广泛认为是神经系统表达信息的方式。而要构成一个的吸引子网络，需要两个基本条件：1)神经元之间有兴奋性的互馈连接(recurrent connection)，这样在没有外界输入的情况下，仅仅依靠神经元之间的正反馈，网络就能维持住稳定活动；同时我们也要求兴奋性连接是局部的，这样才能形成有意义的空间局部活动；2)网络中要有抑制性作用，这样才能避免系统活动因反复的正反馈而爆炸。在调整好兴奋与抑制作用的比例后，一个吸引子网络就形成了。进一步地，如果兴奋性神经元之间的连接满足平移不变性，那么网络将可以在一个连续的流形上维持随遇平衡的吸引子状态，即形成连续吸引子网络。一般地，神经网络由神经元组成，本实施例先获取有漏损的整合发放神经元模型，并将这些有漏损的整合发放神经元模型组成脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号。在另一种实施方式中，也可以将短时程突触可塑性信号作为负反馈。
为了构建脉冲连续吸引子网络模型，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型包括如下步骤：
步骤S101、获取有漏损的整合发放神经元模型；
步骤S102、获取视觉场景大小；
步骤S103、构建所述脉冲连续吸引子网络模型中神经元之间的交互关系，生成与所述视觉场景大小对应的脉冲连续吸引子网络模型；其中，所述交互关系的表达公式为：
Figure BDA0002935654310000101
其中σcon表示连接的宽度，可根据具体场景大小进行设定，θi、θj为偏好方向，J0是归一化参数。
具体地，利用带有脉冲频率自适应作为负反馈的有漏损的整合发放神经元模型作为基本单元搭建脉冲连续吸引子网络。其中，单个脉冲神经元的动力学过程可由下式描述：
Figure BDA0002935654310000111
其中，t是时间，Vi即为Vi(t)是神经元i的膜电位，Cm是神经元的膜电容，VL是漏损电流的平衡电位，Vth是神经元产生动作电位的阈值，gL(Vi(t)-VL)表示漏损，Ii，syn(t)表示该神经元接收来自于网络中所有神经元的突触电流，Ii，sfa(t)代表脉冲频率自适应的负反馈电流，Ii，ext(t)表征运动目标对应的外界输入电流，Vreset为静息电压。
根据脉冲频率自适应的生理基础，负反馈电流也即神经元自身负反馈的脉冲频率自适应信号，可由下式表示：
Figure BDA0002935654310000112
其中，gi，sfa(t)表示负反馈电流的电导强度，Vsfa为负反馈电流的平衡电位，τsfa为时间常数，衡量负反馈电流的作用时长，
Figure BDA0002935654310000113
表示每个脉冲引起的电导强度增加量，而
Figure BDA0002935654310000114
则表示该神经元的脉冲发放历史。负反馈电流由神经元自身的发放历史决定，发放频率越高，负反馈电流越大。神经元模型参数按照生物实验观测的一般结果进行选取。
在本实施例中，脉冲连续吸引子网络由128个兴奋性神经元和32个抑制性神经元组成。其中，兴奋性神经元由式
Figure BDA0002935654310000115
描述，抑制性神经元则由经典的有漏损的整合发放神经元模型描述，即将上式中的Ii，sfa(t)项去掉。单个兴奋性神经元膜电位随时间变化的典型曲线如图2(a)所示，可见，单个神经元对于恒定外界输入的反应(发放率)随时间减弱，直至达到一个稳定状态。在本实施例中，设定构建的脉冲连续吸引子网络用于跟踪头朝向(角度范围为：0～360°)，网络结构设计如图2(b)所示。为了生成脉冲连续吸引子网络模型，还要得到脉冲连续吸引子网络模型中神经元之间的交互关系，其中，所述交互关系为神经元之间的连接权重函数。兴奋性神经元依据自身的偏好方向θ顺序排列于一个环上，它们之间是全连接的，是平移不变的连接权重的钟型函数，例如高斯函数或余弦函数。这里采用高斯函数，神经元j到神经元i的连接强度由下式表示：
Figure BDA0002935654310000121
其中σcon表示连接的宽度，可根据获取的具体视觉场景大小进行设定，而J0是归一化参数。兴奋性神经元与抑制性神经元之间的连接、以及抑制性神经元之间的连接都是等权重的，即w＝1/Npre，其中，Npre表示突触前神经元的个数。在本实施例中采用电导依赖的突触电流模型，可由下式表示：
Figure BDA0002935654310000122
其中，s是突触门变量，表示突触离子通道的开放比例，由突触前神经元的发放历史∑kδ(t-tk)决定；
Figure BDA0002935654310000123
表示突触后神经元i所接收的所有兴奋性(抑制性)突触前神经元输入的整体效果；Ii，E(Ii，I)则表示相应的突触后兴奋性(抑制性)电流。
Figure BDA0002935654310000131
中连接模式的平移不变性使得该网络具有随遇平衡的特性，因而能够编码连续变化的刺激。这一特性加上由脉冲频率自适应负反馈引起的內禀机动性，使得该网络在预设的参数范围内可以实现预测跟踪。
构建脉冲连续吸引子网络模型后，可以执行如图1所示步骤S200、根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
具体地，要将运动目标实时位置转换成向量或是矩阵，生成代表运动目标的刺激向量或是矩阵，此信号会随着目标的运动而产生变化，作为脉冲网络随时间变化的输入。
所述输入向量用Iext表示，在本实施例中，设定表示运动目标的外界输入Iext是一个高斯型的电流，可由下式表示：
Figure BDA0002935654310000132
其中λ表示外界输入的强度，σstm表示输入的宽度，均值θstm表示当前运动目标所在的位置，与目标运动速度vext及目标初始位置θ0相关；其中，所述输入向量为钟型函数，该钟型函数为输入向量的钟型函数。相应地，脉冲网络中各神经元的实时发放率也构成一个高斯型曲线，其质心所在实时位置即为基于脉冲连续吸引子网络对于运动目标的实时位置预测。
得到与所述运动目标实时位置对应的输入向量后，可以执行如图1中的步骤S300、将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
具体的，在该神经网络中，每个神经元之间都有相互联系，每个神经元的输出又是另一个神经元的输入，神经元之间的传递具有双向性。因此，对于当前神经元而言，来自于脉冲连续吸引子网络中所有神经元的突触输入即为当前神经元所接收的部分输入；此外为了使脉冲连续吸引子网络能准确估计出运动目标的预测位置，还要将作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元。然后，根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果。θstm是随时间变化的，当向脉冲连续吸引子网络输入外界输入时，网络根据前述动力学过程自行演化。具体地，所述单个脉冲神经元的动力学过程满足的函数为：
Figure BDA0002935654310000141
在上式中，t是时间，Vi即为Vi(t)是神经元i的膜电位，Cm是神经元的膜电容，VL是漏损电流的平衡电位，Vth是神经元产生动作电位的阈值，gL(Vi(t)-VL)表示漏损，Ii，syn(t)表示该神经元接收来自于网络中所有神经元的突触电流，Ii，sfa(t)代表脉冲频率自适应的负反馈电流，Ii，ext(t)表征运动目标对应的外界输入电流，Vreset为静息电压。当Vi(t)＜Vth时，单个脉冲神经元膜电位按照上述微分方程进行演化。在本实施例中，具体动力学演化过程为：Ii，syn(t)，Ii，sfa(t)，Ii，ext(t)和Vi(t)都会时间而变化，输出结果也会随着时间而变化；一旦膜电位达到阈值，该神经元则产生一个动作电位，同时其膜电位被重置为Vreset；在接下来的一小段时间(绝对不应期τref)内，神经元膜电位保持在Vreset不变，直至绝对不应期结束又重新开始按照上述微分方程进行演化。
得到单个脉冲神经元的演化计算结果后，可以执行如图1所示的步骤S400、根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
为了得到运动目标的实时预测位置，所述根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置包括如下步骤：
步骤S401、根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果；
步骤S402、根据所述神经元群的演化计算结果，统计脉冲连续吸引子网络中兴奋性神经元的实时发放率，得到兴奋性神经元的实时发放率的统计结果；
步骤S403、对所述统计结果进行位置解码，得到运动目标的实时预测位置；其中，所述实时预测位置由各神经元的实时发放率所构成的高斯型曲线的质心表示，计算方法如下：
Figure BDA0002935654310000151
其中fi为神经元i的实时发放率，θi为其偏好方向，NE为兴奋性神经元个数。
在真实神经系统中，脉冲频率是重要的信息编码形式，即脉冲频率编码；另外，信息通常以神经元群作为载体进行编码，而非仅仅依靠单个神经元。因此，要得到实时预测位置，需要统计脉冲连续吸引子网络中兴奋性神经元的实时发放率(即脉冲频率)，得到兴奋性神经元的实时发放率的统计结果。根据兴奋性神经元的实时发放率的统计结果，对所述统计结果进行位置解码，就可以得到运动目标的实时预测位置。在本实施例中，参与编码的神经元相连形成一个脉冲连续吸引子网络；当有外部输入时，即向脉冲连续吸引子网络输入一个输入向量的钟型函数，脉冲连续吸引子网络会产生一个高斯形状的波包；由于是吸引子，噪声被去除了，波包的质心即为神经网络解码的结果。脉冲频率自适应负反馈可以赋予脉冲连续吸引子网络內禀机动性，且內禀机动性强度vint与负反馈的强度成正相关关系，如图3所示，脉冲连续吸引子网络在不同脉冲频率自适应负反馈强度下对短时刺激(200～500毫秒)的响应。图中横坐标为时间，纵坐标为神经元编号，每个点代表神经元的一次脉冲，图3(a)为兴奋性神经元模型中不引入负反馈作用时神经元脉冲活动与时间的关系，图3(b)为引入负反馈作用后神经元脉冲活动与时间的关系，图3(c)为由dsfa决定的负反馈强度增强后神经元脉冲活动与时间的关系。当脉冲连续吸引子网络中未引入脉冲频率自适应负反馈时，脉冲连续吸引子网络可以通过持续性活动保持对输入位置的编码；当引入脉冲频率自适应后，脉冲连续吸引子网络在外界刺激撤去后形成行波，且负反馈强度越大，行波移动速度vint越快，即脉冲连续吸引子网络內禀机动性越强。为了验证脉冲连续吸引子网络对运动刺激响应，进一步进行仿真验证。结果表明，在一定的速度范围内，脉冲连续吸引子网络可以实现预测跟踪、同步跟踪及延时跟踪，且脉冲连续吸引子网络活动表征的位置与真实刺激的位置之间的距离在速度不变时保持恒定。脉冲连续吸引子网络活动表征的位置由各神经元的实时发放率所构成的高斯型曲线的质心表示，计算方法如下：
Figure BDA0002935654310000161
其中fi为神经元i的实时发放率，θi为其偏好方向。在脉冲连续吸引子网络中设定vext＝70°/s，那么网络可以实现预测跟踪，即网络活动表征的位置θnet以一个恒定的距离领先于真实刺激的位置θstm，如图4所示；图4(a)为网络活动的散点图，图4(b)为在经过快速的演化后，网络活动表征的位置θnet以一个恒定的距离领先于真实刺激的位置θstm，图4(c)为t＝17500ms时，网络所接收的外界刺激(实线)与兴奋性神经元的实时发放率(虚线)，即网络活动的中心领先于外界输入的中心。(右边纵轴对应脉冲连续吸引子网络响应即发放率的坐标。)若在此条件下剔除脉冲频率自适应负反馈，那么脉冲连续吸引子网络活动表征的位置将保持不变，无法跟踪运动目标。若负反馈强度保持不变，当vext＝88°/s时，脉冲连续吸引子网络表现为同步跟踪；当vext＝100°/s时，脉冲连续吸引子网络表现为延时跟踪；当vext≤60°/s或vext≥112°/s时，脉冲连续吸引子网络会演化进入行波状态，无法跟踪运动目标，如图5(a)所示。由此可见，脉冲连续吸引子网络的活动状态是由网络内禀机动性vint与外界驱动vext之间的竞争决定的：在适当的vext范围内，当vint＞vext时，脉冲连续吸引子网络表现为预测跟踪；当vint＝vext时，脉冲连续吸引子网络表现为同步跟踪；当vint＜vext时，脉冲连续吸引子网络表现为延时跟踪。相应地，该脉冲连续吸引子网络可以通过调整脉冲频率自适应相关的参数来控制负反馈的强度及作用时间，进而影响脉冲连续吸引子网络的表现。在图5(b)中，我们通过延长负反馈作用时长并同时增强表示运动目标的外界驱动的强度，可以在更低的速度范围内实现预测跟踪。
由于跟踪算法最后要在硬件上实现，故要将脉冲连续吸引子网络模型进行简化。具体地，根据神经形态芯片的特点对脉冲连续吸引子网络进行简化，以促进其在硬件上的部署实现。本发明的简化流程包括：将所述脉冲连续吸引子网络模型的神经元之间的连接权重函数按照3比特离散值进行离散化，得到神经元之间的离散连接权重函数；将所述钟型函数转化为方波函数，其中，所述方波函数的波形中心表示所述运动目标的实时位置；将所述脉冲连续吸引子网络的网络尺寸缩减为64个兴奋性神经元和1个抑制性神经元；其中，所述网络尺寸为128个兴奋性神经元和32个抑制性神经元；将所述脉冲连续吸引子网络模型中电导依赖的突触模型简化为电流依赖的突触模型，使所述突触模型不受突触后神经元膜电位的影响；对作为负反馈的脉冲频率自适应信号的电流进行简化替代，使所述电流不受当前神经元膜电位的影响。具体地，将波形连续的神经元之间的连接权重函数分割为3比特离散数值但依旧保持连接权重的钟型函数形状；将输入向量的钟型函数转化为方波函数，其中，所述方波函数的波形中心表示所述运动目标的实时位置。将脉冲连续吸引子网络尺寸从128个兴奋性神经元和32个抑制性神经元缩减为64个兴奋性神经元和1个抑制性神经元；将电导依赖的突触模型简化为电流依赖的突触模型，本发明将式
Figure BDA0002935654310000181
中电流相关的公式修改为：
Figure BDA0002935654310000182
X∈{E，I}，即突触电流不再依赖于突触后神经元当前的膜电位，只取决于突触前神经元的发放历史∑kδ(t-tk)和实际突触连接强度g′XXwij。在一种实施方式中，我们将脉冲频率自适应的负反馈电流也简化为Ii，sfa(t)＝C*gi，sfa(t)，同样不受神经元当前膜电位的影响。实验结果表明，通过选取合适的g′XX参数，简化后的脉冲网络仍然能够实现预测跟踪。图6展示了一个利用简化后脉冲网络实现预测跟踪的示例，其中，vext＝70°/s。其中，图6(a)为神经元脉冲活动与时间的关系，图6(b)为预测距离与时间的关系，图6(c)为t＝7900ms时外界输入、网络响应与神经元的对应关系。
此外，还可以对构建的脉冲连续吸引子网络模型进行扩展，将脉冲连续吸引子网络模型扩展到二维平面。举例说明，如图7所示，在此实施例中，二维脉冲连续吸引子网络如图7(a)，同样由按照4∶1比例关系的兴奋性神经元(128*128)和抑制性神经元组成。每个兴奋性神经元按偏好位置[x，y](x，y∈[0°，360°])在二维网格排布。采用循环边界，即在一个维度上偏转0°和偏转360°为同一个神经元。抑制性神经元提供全局抑制，从而保证脉冲连续吸引子网络的活动为神经元群活动钟型函数波包的形式。兴奋性神经元之间的连接采用平移不变的二维高斯型函数，即偏好位置越接近，连接越强，如图7(b)。神经元及突触的动力学与未简化的一维模型保持一致。外界输入采用二维的高斯型函数，其中心即代表外界刺激的位置。网络表征的位置可以从兴奋性神经元群的实时发放率中解码，即发放率钟型函数的质心。实验结果表明，在适当的参数范围下，二维脉冲连续吸引子网络可以实现二维场景下的预测跟踪，如图7(c)和图7(d)，其中图7(c)对应的是vext＝[50°/s，50°/s]，即外界刺激沿对角线运动；图7(d)展示了外界刺激沿非对角线运动(vext＝[80°/s，70°/s])时的预测跟踪。在图7(d)中，因为外界刺激在水平方向的运动速度略大于竖直方向的运动速度，所以水平方向的领先距离要略大于竖直方向的领先距离。
示例性设备
如图8中所示，本发明实施例提供一种基于脉冲连续吸引子网络的类脑预测跟踪装置，该装置包括：脉冲连续吸引子网络模型构建单元501，输入向量生成单元502，演化计算结果获取单元503，实时预测位置获取单元504。
脉冲连续吸引子网络模型构建单元501，用于获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
输入向量生成单元502，用于根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
演化计算结果获取单元503，用于将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
实时预测位置获取单元504，用于根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图9所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脉冲连续吸引子网络的类脑预测跟踪方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图9中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量,输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令或相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了基于脉冲连续吸引子网络的类脑预测跟踪方法、智能终端、存储介质，所述方法包括：
本发明公开了一种基于脉冲连续吸引子网络的类脑预测跟踪方法，所述方法包括：获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型；根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。本发明实施例的方法适用于处理神经形态感知芯片产生的信号，也能在当前快速发展的神经形态计算芯片上进行部署实现。
应当理解的是，本发明公开了一种基于脉冲连续吸引子网络的类脑预测跟踪方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述方法包括：
获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型，其中，所述脉冲连续吸引子网络包含脉冲神经元和神经元之间的连接权重函数；其中，所述脉冲神经元包含作为神经元自身负反馈的脉冲频率自适应信号；
根据运动目标实时位置，生成与所述运动目标实时位置对应的输入向量；
将来自于脉冲连续吸引子网络中所有神经元的突触输入，作为神经元自身负反馈的脉冲频率自适应信号，以及与所述运动目标实时位置对应的输入向量，输入到脉冲连续吸引子网络的当前神经元，并根据单个脉冲神经元的动力学过程进行演化计算，得到单个脉冲神经元的演化计算结果；
根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置。
2.根据权利要求1所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型包括：
获取有漏损的整合发放神经元模型；
获取视觉场景大小；
构建所述脉冲连续吸引子网络模型中神经元之间的交互关系，生成与所述视觉场景大小对应的脉冲连续吸引子网络模型；其中，所述交互关系的表达公式为：
Figure FDA0002935654300000011
其中σcon表示连接的宽度，可根据具体场景大小进行设定，θi、θj为偏好方向，J0是归一化参数。
3.根据权利要求1所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述输入向量用Iext表示，其中Iext的具体表达公式为：
Figure FDA0002935654300000021
其中λ表示外界输入的强度，a和b为常量，σstm表示输入的宽度，均值θstm表示当前运动目标所在的位置，与目标运动速度vext及目标初始位置θ0相关；其中，所述输入向量为钟型函数。
4.根据权利要求1所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述单个脉冲神经元的动力学过程满足的函数为：
Figure FDA0002935654300000022
其中，t是时间，Vi即为Vi(t)是神经元i的膜电位，Cm是神经元的膜电容，VL是漏损电流的平衡电位，Vth是神经元产生动作电位的阈值，gL(Vi(t)-VL)表示漏损，Ii,syn(t)表示该神经元接收来自于网络中所有神经元的突触电流，Ii,sfa(t)代表脉冲频率自适应的负反馈电流，Ii,ext(t)表征运动目标对应的外界输入电流，Vreset为静息电压。
5.根据权利要求1所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果，并对所述神经元群的演化计算结果进行解码得到运动目标的实时预测位置包括：
根据所述单个脉冲神经元的演化计算结果，得到神经元群的演化计算结果；
根据所述神经元群的演化计算结果，统计脉冲连续吸引子网络中兴奋性神经元的实时发放率，得到兴奋性神经元的实时发放率的统计结果；
对所述统计结果进行位置解码，得到运动目标的实时预测位置；其中，所述实时预测位置由各神经元的实时发放率所构成的高斯型曲线的质心表示，计算方法如下：
Figure FDA0002935654300000031
其中fi为神经元i的实时发放率，θi为其偏好方向，NE为兴奋性神经元个数。
6.根据权利要求3所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将所述脉冲连续吸引子网络模型的神经元之间的连接权重函数按照3比特离散值进行离散化，得到神经元之间的离散连接权重函数；
将所述钟型函数转化为方波函数，其中，所述方波函数的波形中心表示所述运动目标的实时位置；
将所述脉冲连续吸引子网络的网络尺寸缩减为64个兴奋性神经元和1个抑制性神经元；其中，所述网络尺寸为128个兴奋性神经元和32个抑制性神经元。
7.根据权利要求1所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将所述脉冲连续吸引子网络模型中电导依赖的突触模型简化为电流依赖的突触模型，使所述突触模型不受突触后神经元膜电位的影响；
对作为负反馈的脉冲频率自适应信号的电流进行简化替代，使所述电流不受当前神经元膜电位的影响。
8.根据权利要求3所述的基于脉冲连续吸引子网络的类脑预测跟踪方法，其特征在于，所述获取并根据有漏损的整合发放神经元模型，构建脉冲连续吸引子网络模型还包括：
将脉冲连续吸引子网络模型扩展到二维平面。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-8中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-8中任意一项所述的方法。
CN202110159275.XA 2021-02-05 2021-02-05 一种基于脉冲连续吸引子网络的类脑预测跟踪方法 Active CN112906884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110159275.XA CN112906884B (zh) 2021-02-05 2021-02-05 一种基于脉冲连续吸引子网络的类脑预测跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159275.XA CN112906884B (zh) 2021-02-05 2021-02-05 一种基于脉冲连续吸引子网络的类脑预测跟踪方法

Publications (2)

Publication Number Publication Date
CN112906884A true CN112906884A (zh) 2021-06-04
CN112906884B CN112906884B (zh) 2023-04-18

Family

ID=76122644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159275.XA Active CN112906884B (zh) 2021-02-05 2021-02-05 一种基于脉冲连续吸引子网络的类脑预测跟踪方法

Country Status (1)

Country Link
CN (1) CN112906884B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841142A (zh) * 2023-02-20 2023-03-24 鹏城实验室 基于深度脉冲神经网络的视觉皮层模拟方法及相关设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074761A1 (en) * 2012-05-30 2014-03-13 Qualcomm Incorporated Dynamical event neuron and synapse models for learning spiking neural networks
US20140081893A1 (en) * 2011-05-31 2014-03-20 International Business Machines Corporation Structural plasticity in spiking neural networks with symmetric dual of an electronic neuron
CN105469423A (zh) * 2015-11-16 2016-04-06 北京师范大学 一种基于连续吸引子神经网络的在线目标跟踪方法
US20180046153A1 (en) * 2016-07-10 2018-02-15 Beijing University Of Technology Method of Constructing Navigation Map by Robot using Mouse Hippocampal Place Cell Model
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN109886384A (zh) * 2019-02-15 2019-06-14 北京工业大学 一种基于鼠脑海马网格细胞重构的仿生导航方法
CN110019582A (zh) * 2017-08-28 2019-07-16 中国科学院沈阳自动化研究所 基于空间与运动联合编码的认知地图构建方法
US20190265950A1 (en) * 2018-02-27 2019-08-29 New York University System, method, and apparatus for recurrent neural networks
CN110555523A (zh) * 2019-07-23 2019-12-10 中建三局智能技术有限公司 一种基于脉冲神经网络的短程跟踪方法及系统
US20200257502A1 (en) * 2017-10-30 2020-08-13 Universitat Stuttgart Apparatus and method for generating at least one random number, use of an optical parametric oscillator
US20200302267A1 (en) * 2019-03-21 2020-09-24 International Business Machines Corporation Spiking synaptic elements for spiking neural networks
CN112037269A (zh) * 2020-08-24 2020-12-04 大连理工大学 一种基于多域协同特征表达的视觉运动目标跟踪方法
US20200401876A1 (en) * 2019-06-24 2020-12-24 Washington University Method for designing scalable and energy-efficient analog neuromorphic processors

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081893A1 (en) * 2011-05-31 2014-03-20 International Business Machines Corporation Structural plasticity in spiking neural networks with symmetric dual of an electronic neuron
US20140074761A1 (en) * 2012-05-30 2014-03-13 Qualcomm Incorporated Dynamical event neuron and synapse models for learning spiking neural networks
CN105469423A (zh) * 2015-11-16 2016-04-06 北京师范大学 一种基于连续吸引子神经网络的在线目标跟踪方法
US20180046153A1 (en) * 2016-07-10 2018-02-15 Beijing University Of Technology Method of Constructing Navigation Map by Robot using Mouse Hippocampal Place Cell Model
CN110019582A (zh) * 2017-08-28 2019-07-16 中国科学院沈阳自动化研究所 基于空间与运动联合编码的认知地图构建方法
US20200257502A1 (en) * 2017-10-30 2020-08-13 Universitat Stuttgart Apparatus and method for generating at least one random number, use of an optical parametric oscillator
US20190265950A1 (en) * 2018-02-27 2019-08-29 New York University System, method, and apparatus for recurrent neural networks
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN109886384A (zh) * 2019-02-15 2019-06-14 北京工业大学 一种基于鼠脑海马网格细胞重构的仿生导航方法
US20200302267A1 (en) * 2019-03-21 2020-09-24 International Business Machines Corporation Spiking synaptic elements for spiking neural networks
US20200401876A1 (en) * 2019-06-24 2020-12-24 Washington University Method for designing scalable and energy-efficient analog neuromorphic processors
CN110555523A (zh) * 2019-07-23 2019-12-10 中建三局智能技术有限公司 一种基于脉冲神经网络的短程跟踪方法及系统
CN112037269A (zh) * 2020-08-24 2020-12-04 大连理工大学 一种基于多域协同特征表达的视觉运动目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIUTAO YU ET AL: "Spiking Continuous Attractor Neural Networks with Spike Frequency Adaptation for Anticipative Tracking", 《IEEE XPLORE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841142A (zh) * 2023-02-20 2023-03-24 鹏城实验室 基于深度脉冲神经网络的视觉皮层模拟方法及相关设备
CN115841142B (zh) * 2023-02-20 2023-06-06 鹏城实验室 基于深度脉冲神经网络的视觉皮层模拟方法及相关设备

Also Published As

Publication number Publication date
CN112906884B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Diehl et al. Unsupervised learning of digit recognition using spike-timing-dependent plasticity
Kiebel et al. Free energy and dendritic self-organization
US9129221B2 (en) Spiking neural network feedback apparatus and methods
US9224090B2 (en) Sensory input processing apparatus in a spiking neural network
JP2017525038A (ja) ニューラルネットワークにおける畳込み演算の分解
JP2017511936A (ja) 現在の計算リソースへのニューラルネットワーク適応
CN112101535B (zh) 脉冲神经元的信号处理方法及相关装置
Fu et al. An ensemble unsupervised spiking neural network for objective recognition
Kang et al. A spiking neural network with a global self-controller for unsupervised learning based on spike-timing-dependent plasticity using flash memory synaptic devices
Bakhshiev et al. Mathematical Model of the Impulses Transformation Processes in Natural Neurons for Biologically Inspired Control Systems Development.
CN110197251A (zh) 基于深度学习网络的预测方法、装置、设备及存储介质
KR20160076531A (ko) 다차원 범위에 걸쳐 분리가능한 서브 시스템들을 포함하는 시스템의 평가
KR20160058825A (ko) 신경 모델들에 대한 그룹 태그들의 구현을 위한 방법들 및 장치
CN112906884B (zh) 一种基于脉冲连续吸引子网络的类脑预测跟踪方法
Galiautdinov et al. Math Model of Neuron and Nervous System Research Based on AI Constructor Creating Virtual Neural Circuits
Amari Mathematical theory of neural learning
KR101825937B1 (ko) 가소성 시냅스 관리
Yu et al. Improving multispike learning with plastic synaptic delays
Zhang et al. The framework and memristive circuit design for multisensory mutual associative memory networks
Furuya et al. Semi-supervised learning combining backpropagation and STDP: STDP enhances learning by backpropagation with a small amount of labeled data in a spiking neural network
Basegmez The next generation neural networks: Deep learning and spiking neural networks
Schliebs et al. Computational modeling with spiking neural networks
Gardner et al. Learning temporally precise spiking patterns through reward modulated spike-timing-dependent plasticity
Sun et al. Simplified spike-timing dependent plasticity learning rule of spiking neural networks for unsupervised clustering
Zhong et al. Robot trajectory prediction and recognition based on a computational mirror neurons model

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