[发明专利]基于脉冲神经网络的图像分类方法及装置

说明书

本发明公开了一种基于脉冲神经网络的图像分类方法，包括：将外部输入的图像模拟量编码成脉冲时间序列；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，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；以及通过将膜电压信号与阈值比较并对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。本发明的图像分类方法能够使得脉冲神经网络具有强大计算能力，并且可以模拟各种神经元信号和任意连续函数，运算效率高，使脉冲神经网络更具有硬件实现价值。

技术领域

本发明涉及神经网络技术领域，特别是涉及一种基于脉冲神经网络的图像分类方法及装置。

背景技术

图像分类技术是图像处理和计算机视觉领域的非常具有挑战性的基础问题，传统的图像分类方法是使用颜色特征、形态特征或者纹理信息计算出图像的特征，都是基于像素实现的，主要是利用图像的光谱特征，因此能得到的信息是有限的。

传统的人工神经网络即第一代和第二代神经网络是对生物神经元的脉冲发放频率进行编码，神经元的输出一般也是为给定区间的模拟，其运算能力和生物真实性弱于脉冲神经网络。然而目前脉冲神经网络以软件的实现方式为主，具有灵活性强、精度高的特点，但无法充分利用神经网络高并行性的特点，处理速度慢、功耗高。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于脉冲神经网络的图像分类方法，从而克服现有技术无法充分利用神经网络高并行性的特点、处理速度慢、功耗高的缺点。

为实现上述目的，本发明提供了一种基于脉冲神经网络的图像分类方法，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；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，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；以及通过将膜电压信号与阈值比较并对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。

优选地，上述技术方案中，图像模拟量是图像灰度值。

优选地，上述技术方案中，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。

优选地，上述技术方案中，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。

优选地，上述技术方案中，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。

优选地，上述技术方案中，采用分时复用技术实现神经元阵列。

优选地，上述技术方案中，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。

本发明还提供了一种基于脉冲神经网络的图像分类装置，该图像分类装置包括：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，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；以及用于通过将膜电压信号与阈值比较并对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。