[发明专利]一种脉冲神经网络映射方法

说明书

本发明公开了一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，给定神经元的索引，经过映射算法，得出其部署的节点索引，相对于传统的蚁群算法，在概率中增加了R_j(t)，代表第t次循环时节点r_j的占用率，即更倾向于将神经元部署在占用率高的节点上，将不同的神经元部署在同一节点上直接避免了它们之间的通信量。本发明的优点：改进了蚁群映射算法，此外，提出的算法的应用场景更多的是单节点上可以部署多个神经元的情况。

技术领域

本发明涉及脉冲神经网络映射技术领域，具体是指一种脉冲神经网络映射方法。

背景技术

采用神经形态计算架构的计算机进行仿真工作面临着的一个重要问题是如何将复杂的神经网络映射到节点网络中，即逻辑网络与物理网络的映射问题。逻辑网络，即问题网络、任务网络，尤其是需要对生物神经网络进行仿真时，其规模是巨大的，体现在两方面：一是神经元数目巨大，二是神经元之间的连接复杂。此外，逻辑网络针对不同的应用场景，其结构也是多种多样，不可能针对某种逻辑网络特别设计物理网络的拓扑结构。同时，物理网络的节点的容量有限，能够支持的神经元数量有限，路由单元的能力有限。从而，如何将逻辑网络与物理网络进行映射成为了系统设计的一个关键步骤。

发明内容

本发明为了解决上述的各种问题，提供了改进的蚁群映射算法的一种脉冲神经网络映射方法。

为解决上述技术问题，本发明提供的技术方案为：一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，所述针对多对一拓扑映射场景下改进的蚁群算法定义映射算法为：

node_idx＝ω(neuron_idx)

即，给定神经元的索引，经过映射算法，得出其部署的节点索引。优化的目标是平均跳数，目标函数如下：

其中，C(v)是神经元v发出的脉冲所需要的所有转发次数，需要注意的是由于通信模式选择为多播，因而如果多个目标节点在同一个转发方向时只需要一次转发即可，p(v)指的是神经元v产生脉冲占所有神经元脉冲的比例，在随机的情况下，可以认为所有神经元的比例相同。

初始化，启发信息的定义如下：

即，神经元v_i映射到节点r_j的启发信息由神经元的重要程度和节点的中心程度决定，其中，神经元的重要程度importance(i)为与它连接的神经元个数。

importance(i)＝Fanin(i)+Fanout(i)

节点的中心程度由它与其余节点的曼哈顿距离决定。

节点的中心程度为它距离其他节点的曼哈顿距离之和，这一值反映节点的通信能力，曼哈顿距离之和越小，节点的中心程度越高，意味着节点的通信能力越强，从而在没有其他因素的情况下，神经元更应该部署在中心程度高的节点上，神经元的输出连接的神经元越多，说明神经元的通信压力越大，所以更应该将其放在中心程度高的节点上，所以，启发信息应当与神经元的重要程度呈正比，与其中心程度呈反比，这样使得通信压力大的神经元部署在通信能力强的节点上的可能性更大。

解构建，在传统蚁群算法中，第t次迭代中，第k只蚂蚁将神经元v_i映射到节点r_j的概率为：

上式中，τ_i，j(t)是第t次循环时，R_j(t)是第t次循环时节点r_j的占用率，神经元v_i映射到节点r_j的归一化信息素浓度，本文最上述决策概率进行了改进，