[发明专利]一种融合课程学习策略的脉冲神经网络优化方法

权利要求书

1.一种融合课程学习策略的脉冲神经网络优化方法，其特征在于，包括以下步骤：

步骤S10、随机初始化脉冲神经网络的各参数；

步骤S20、基于训练集中的训练样本对初始化后的脉冲神经网络进行训练，获得预测结果；

步骤S30、将预测结果与训练集中的样本标签对比，并计算得到训练样本交叉熵损失l_i；

步骤S40、利用步骤S30中得到的交叉熵损失l_i，计算得到各训练样本的置信度σ_i；

步骤S50、利用步骤S30得到的交叉熵损失l_i和步骤S40中得到的置信度σ_i，计算得到置信度损失L_i；

步骤S60、将步骤S50中得到的置信度损失L_i最小为目标函数，逐层向前求导，更新脉冲神经网络中每一层各神经元的参数；

步骤S70、重复步骤S20-S60，不断更新优化脉冲神经网络的参数，直到迭代完成设定好的轮次，得到脉冲神经网络优化后的脉冲神经网络模型。

2.根据权利要求1所述的一种融合课程学习策略的脉冲神经网络优化方法，其特征在于，所述步骤S20中训练样本编码为脉冲序列。

3.根据权利要求1所述的一种融合课程学习策略的脉冲神经网络优化方法，其特征在于，所述步骤S20的具体步骤为：

步骤S21、将训练集中的训练样本编码为脉冲序列，并输入脉冲神经网络中；

步骤S22、逐层向后根据LIF神经元的动力学公式进行计算处理；

步骤S23、根据输出层各神经元发放脉冲的频率，得到模型预测的结果。

4.根据权利要求1所述的一种融合课程学习策略的脉冲神经网络优化方法，其特征在于，所述步骤S40中的计算公式为：

式中：l_i为交叉熵损失；σ_i为置信度。

5.根据权利要求1所述的一种融合课程学习策略的脉冲神经网络优化方法，其特征在于，所述步骤S50中的计算公式为：

L_λ(l_i,σ_i)＝(l_i-τ)σ_i+λ(logσ_i)²

式中：L_i为置信度损失；l_i为交叉熵损失；σ_i为置信度。

6.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-5任一项所述的一种融合课程学习策略的脉冲神经网络优化方法。

7.一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-5任一项所述的一种融合课程学习策略的脉冲神经网络优化方法。