[发明专利]基于脉冲神经网络的数据处理方法及装置

说明书

本申请提供一种基于脉冲神经网络的数据处理方法及装置。所述方法包括：将输入数据产生的各脉冲信号序列进行压缩，获取所述输入数据的各压缩编码；对各所述压缩编码通过脉冲神经网络进行池化，获取目标数据。本申请实施例提供的基于脉冲神经网络的数据处理方法，通过将脉冲信号序列进行压缩来形成压缩编码，使得压缩编码的长度，相较于脉冲信号序列的长度大幅度减少，从而在进行存储时，对脉冲存储空间的需求呈指数级的缩小。且由于形成的压缩编码的长度短，因此在进行池化计算时，其计算时间可得到指数级的缩小，提高了池化效率，进而提高了对输入SNN网络模型的数据的处理效率。

技术领域

本申请涉及脉冲神经网络技术领域，具体涉及一种基于脉冲神经网络的数据处理方法及装置。

背景技术

随着脑科学和类脑计算技术的发展，脉冲神经网络(Spiking Neural Network,SNN)被认为是一种接近大脑信息处理方式的计算模型，可以模仿人类的大脑来处理图像或语音等数据，具有低功耗和结构简单的优点。

相关技术中，利用脉冲神经网络进行图像或声音等数据处理时，是通过SNN网络模型对输入数据，如图像帧或语音数据基于脉冲频率编码的方式形成多个脉冲信号序列，然后通过SNN网络模型进行池化，从而把多个脉冲信号序列池化为一个输出，获得目标结果。

通过脉冲频率编码的方式形成的脉冲信号序列，是由每个时刻的脉冲信号形成的，而这样形成的脉冲信号序列需要将每个时刻的脉冲信号分别存放到不同的寄存器中。如N个时刻的脉冲信号形成的脉冲信号序列，需要长度为N的寄存器来存放，且SNN网络模型需要对每一个输入的脉冲信号序列进行计数才能得到最终的池化结果。然而，在实际中，脉冲信号序列的长度通常较长，即N的值往往比较大，导致在硬件资源受限的情况下，对脉冲信号序列池化的效率低，进而影响对输入SNN网络模型的数据的处理效率。

发明内容

本申请实施例提供一种基于脉冲神经网络的数据处理方法及装置，提高对输入SNN网络模型的数据的处理效率。

第一方面，本申请实施例提供一基于脉冲神经网络的数据处理方法，包括：

将输入数据产生的各脉冲信号序列进行压缩，获取所述输入数据的各压缩编码；

对各所述压缩编码通过脉冲神经网络进行池化，获取目标数据。

在一个实施例中，将输入数据产生的各脉冲信号序列进行压缩，获取所述输入数据的各压缩编码，包括：

将各脉冲信号序列以脉冲个数的二进制码的形式进行压缩，获取各所述压缩编码。

在一个实施例中，所述压缩编码的编码位数根据各脉冲信号序列中的最大脉冲信号个数确定。

在一实施例中，对各所述压缩编码通过脉冲神经网络进行池化，获取目标数据，包括：

对各所述压缩编码通过所述脉冲神经网络进行最大值池化，获取目标数据。

在一实施例中，对各所述压缩编码通过所述脉冲神经网络进行最大值池化，获取目标数据，包括：

将各所述压缩编码从压缩编码的最高码位，到压缩编码的最低码位，依次移位进行最大值池化计算，获取每个码位对应的输出值；

根据各所述码位的输出值，形成所述目标数据。

在一实施例中，各所述码位中当前码位的输出值为：

其中，n表示压缩编码的数量，t表示所述当前码位对应的时刻，W_i(t)表示压缩编码i的所述当前码位在时刻t对应的权重，j≠i，S_i(t)表示压缩编码i的所述当前码位上的脉冲值。

在一实施例中，当所述当前码位为最高码位时，所述当前码位的权重为1。