[发明专利]一种基于脉冲神经网络的特征分类方法及系统

说明书

本发明提供的基于脉冲神经网络的特征分类方法，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。过对本质特征的分类和量分类综合后，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高，可延长输入数据时间分类动作等特征，通用性强。

技术领域

本发明涉及神经网络模型技术领域，具体涉及一种基于脉冲神经网络的特征分类方法及系统。

背景技术

传统神经网络算法学习生物神经的结构和阀值的分类作用，通过案例数据将结果与输入通过强行修正的方式，达到神经学习后的权重值从而达到分类的目的。其神经网络学习效率低，通过大量的修正学习可以作为专家系统进行一些判断。传统神经网络只能分类单帧或某一时段的图像或声音，无法对前后连贯的变化做出相应的分类。传统神经网络结构适应性较窄，占用大量运算资源，无法动态分类。

传统神经网络和生物神经网络最重要差别在于，生物神经网络的权重变化不需要反算，不需要大量的相同数据分类简单事物，神经连接为非全域连接。例如小羚羊在出生一天内就需要学会分辨地形、草丛同类等事物学会行走。小鸡没母鸡的指导通过简单尝试便能分辨食物与石头的区别。

目前神经网络特征分类的公式为y＝a1*w1+a2*w2+a3*w3-b，这个算法能分类所有特征甚至是想象或虚构的东西，不管它是否存在内在逻辑。但不能同时将其本质特征和量进行分类。

发明内容

针对现有技术中的缺陷，本发明提供的基于脉冲神经网络的特征分类方法，通过对本质特征的分类和量分类，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物，分类事物效率高，通用性强。

第一方面，本发明实施例提供的一种基于脉冲神经网络的特征分类方法，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；

隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；

输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。

可选地，所述本质特征数据为信号幅度，所述量的数据为信号频率。

可选地，所述隐含层包括数据特征组合层和特征分类层，将输入层的每个神经元视为形成区域组合的基础要素，所述数据特征组合层将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元；所述特征分类层将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比，输出区域组合位置的角、线、面、弧基础特征。

可选地，所述隐含层还包括特征分类组合层和特征分类对比层；所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形，所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比，输出组成不同图形的特征神经元的位置特征数据和量的数据。

可选地，所述隐含层还包括差分输出层，所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较，输出频率不同的特征神经元。