[发明专利]基于脉冲神经网络的图像分类方法及装置在审

专利信息
申请号: 201810382816.3 申请日: 2018-04-25
公开(公告)号: CN108846408A 公开(公告)日: 2018-11-20
发明(设计)人: 王常勇;周瑾;韩久琦;张华亮;柯昂;徐葛森 申请(专利权)人: 中国人民解放军军事科学院军事医学研究院
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08;G06F5/06
代理公司: 北京中誉威圣知识产权代理有限公司 11279 代理人: 席勇;张静轩
地址: 100036*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 脉冲 脉冲神经网络 时间序列 神经元模型 图像分类 延时信息 膜电压 缓存 流水线架构 神经元信号 泊松分布 电压信号 计算能力 连续函数 神经脉冲 神经元膜 图像模拟 硬件实现 运算效率 阈值比较 存储器 分类 外部 优化
【权利要求书】:

1.一种基于脉冲神经网络的图像分类方法,其特征在于,所述图像分类方法包括如下步骤:

将外部输入的图像模拟量编码成脉冲时间序列;

对所述脉冲时间序列分别添加延时信息,并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存;

将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号,其中,所述IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及

通过将所述膜电压信号与阈值比较并对所述膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。

2.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述图像模拟量是图像灰度值。

3.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述图像模拟量是采用Time-to-Frst-Spike编码策略来编码成脉冲时间序列的。

4.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,优化神经元计算模型包括:分解计算公式以离散化膜电压变化函数,并将浮点运算转化为定点运算。

5.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当所述神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。

6.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,采用分时复用技术实现神经元阵列。

7.根据权利要求6所述的基于脉冲神经网络的图像分类方法,其特征在于,所述采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。

8.一种基于脉冲神经网络的图像分类装置,其特征在于,所述图像分类装置包括:

用于将外部输入的图像模拟量编码成脉冲时间序列的单元;

用于为所述脉冲时间序列分别添加延时信息并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存的单元;

用于将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号的单元,其中,所述IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及

用于通过将所述膜电压信号与阈值比较并对所述膜电压信号进行分类判别来产生基于泊松分布的神经脉冲序列的单元。

9.根据权利要求8所述的图像分类装置,其特征在于,所述IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当所述神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。

10.根据权利要求8所述的图像分类装置,其特征在于,采用分时复用技术实现神经元阵列,所述采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军军事科学院军事医学研究院,未经中国人民解放军军事科学院军事医学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810382816.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top