[发明专利]基于脉冲神经网络模型增量学习的分类方法、系统、装置

说明书

本发明属于类脑智能、人工智能领域，具体涉及一种基于脉冲神经网络模型增量学习的分类方法、系统、装置，旨在解决现有增量学习方法无法自适应的学习新类别进行分类的问题。本系统方法包括获取待分类的样本数据集；通过脉冲神经网络模型获取各数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；计算分类输出值与各平均输出值的差值，若最小差值小于设定阈值，则将该最小差值对应的平均输出值所属的类作为当前数据的最终分类结果；否则在脉冲神经网络模型输出层中增加一个皮质柱模型，更新输出层上一层与皮质柱模型的连接权重；若获取所有数据的最终分类结果，则结束。本发明解决了现有增量学习无法自适应的学习新的类别的问题。

技术领域

本发明属于类脑智能、人工智能领域，具体涉及一种基于脉冲神经网络模型增量学习的分类方法、系统、装置。

背景技术

深度神经网络在图像分类、目标分割、语音识别等多个领域都取得了很大的成功，分类精度已经能到达到甚至超过了人类的水平，但模型只对训练的过程见过的类别有效。如果出现训练过程没有见过的类别，需要收集大量的新数据，和已有的数据合并到一起，重新训练模型，这样就产生了大量的时间成本和经济成本，还带来了另一个问题时，当存储资源有限不足以保存全部数据时，模型的识别精度就会下降。

随着移动终端的广泛引用，互联网每天产生的数据量都在快速增加，如何从这些数据中获取有用的信息是一项重要的工作。这对现有的模型提出了一个挑战：当数据持续不断出现的时候，模型是否能够对已有的数据保持记忆功能，同时又能适应新出现的数据。然而深度神经网络这种批量式学习方法是不能适应这种需求的，因此研究具有增量学习的神经网络模型具有重要意义。增量学习是人类最重要的能力之一，如果神经网络模型能够像人类一样对任务进行增量学习，那么将大大提高深度神经网络的性能和应用范围。目前的增量学习算法主要分为两类：基于生成对抗网络(GAN)的方法和基于代表性样本的方法。其中基于GAN的方法，不需要保存旧类别的样本，使用GAN学习生成每类的样本，但是GAN模型本身占用的存储空间较大；基于代表性样本的方法，需要保存一定数量的旧类别的代表性样本，虽然提高了识别精度，但这类算法过于依赖于旧类别样本，这与人类自适应的增量学习方式并不相同。

大脑皮层是调节和控制躯体运动的最高级中枢，皮质柱是大脑皮层的基本功能单位，大脑皮质大约含有5亿个皮质柱。皮质柱内神经元相互连接，共同编码一个特征或者物体，每个皮质柱被认为是一个分类器。基于此，本发明借鉴人类大脑的处理方式，以皮质柱作为基本组成单元，构建了一种基于脉冲神经网络模型增量学习的分类方法。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的增量学习方法一方面占用空间大，另一方面过于依赖旧样本类别，导致无法自适应的学习新类别进行分类的问题，本发明第一方面，提出了一种基于脉冲神经网络模型增量学习的分类方法，该方法包括：

步骤S10，获取待分类的样本数据集，作为输入数据集；

步骤S20，通过脉冲神经网络模型获取所述输入数据集中各输入数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；

步骤S30，对各输入数据，计算其对应的分类输出值与各平均输出值的差值，若其对应的最小差值小于设定阈值，则将最小差值对应的平均输出值所属的类作为当前输入数据的最终分类结果，并跳转步骤S50，否则跳转步骤S40；

步骤S40，对所述脉冲神经网络模型，在其输出层中增加一个皮质柱模型，并结合各输入数据，更新其输出层的上一层与所述皮质柱模型的连接权重；更新后跳转步骤S30；

步骤S50，判断是否获取所有输入数据的最终分类结果，若是则结束；

其中，所述皮质柱模型其构建方法为：基于漏电微分发放模型LIF构建神经元模型，并结合各神经元模型之间的连接权重，构建皮质柱模型；所述连接权重为各神经元之间的欧氏距离；