[发明专利]随时间在线训练脉冲神经网络模型的图像数据分类方法

说明书

本发明公布了一种随时间在线训练脉冲神经网络模型的图像数据分类方法，构建脉冲神经网络模型并设计随时间在线方法训练模型；再利用训练好的模型对图像数据进行分类和识别，有效提升图像数据的分类和识别性能；其中图像数据包括计算机图像数据和神经形态的图像视觉数据。通过本发明提供的方法，可以在训练脉冲神经网络SNN模型时，极大地减小训练内存的开销，将训练得到的模型用于计算机图像数据和神经形态图像视觉数据的分类与识别等视觉任务，能够提高分类与识别性能、降低识别系统的处理延迟，能实现高效节能的图像视觉数据分类与识别系统。

技术领域

本发明属于模式识别、机器学习、人工智能、图像处理及神经形态计算技术领域，涉及计算机图像数据分类技术和神经形态的图像视觉数据分类技术，具体涉及一种随时间在线训练脉冲神经网络模型的图像及神经形态数据分类方法。

背景技术

脉冲神经网络(SNN)被认为是第三代神经网络模型，并在最近几年受到了越来越多的关注。SNN模型由受大脑启发的脉冲神经元组成，这些神经元模拟生物神经元，通过发放脉冲信号进行相互之间的信息传递，从而支持事件驱动的计算方式，能够在神经形态芯片上用较低的能量消耗实现高效的计算。SNN模型可以高效节能地处理常见的计算机图像数据和神经形态的图像视觉数据(neuromorphic vision data)，后者是一种模仿人类视觉感知的基于脉冲时间的数据，通常由神经形态照相机产生。

泄漏整合激活模型(LIF)是SNN最常用的脉冲神经元模型。每个LIF神经元以一个微分方程维护一个膜电位并整合输入的电流，其对于膜电位的动态由如下方程描述：

其中u是膜电位，I是输入的电流，V_th是神经元脉冲发放的阈值，R和τ_m分别是电阻和时间常数。神经元将在膜电位u达到阈值V_th的时刻t^f发放一个脉冲信号，而膜电位将重置为静息电位u＝u_rest，静息电位一般取为0。神经元发放的脉冲序列可由狄拉克δ函数表示为一个SNN模型由相互连接的脉冲神经元组成，神经元之间有连接的权重。本发明考虑简单的电流模型I_i(t)＝∑_jw_ijs_j(t)+b_i，其中下标i表示第i个神经元，w_ij是神经元j到神经元i之间连接的权重，b_i是偏置项。上述微分方程经过离散化后，SNN模型的计算形式可表示为：

其中H(x)是Heaviside阶跃函数，s_i[t]是神经元i在时刻t的二值的脉冲信号，λ＜1是一个和常数τ_m与离散时间步长相关的泄漏项(通常可取为)。常数R，τ_m和时间步长被吸收进权重和偏置。膜电位重置操作被实现为减去阈值的形式。