[发明专利]一种融合人工神经网络和神经形态计算的在线学习方法

摘要

本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。

主权项

1.一种融合人工神经网络和神经形态计算的在线学习方法，该方法中包括：步骤A：采用脉冲神经网络SNN处理数据和步骤B：采用脉冲神经网络SNN联合人工神经网络ANN处理数据，步骤A和步骤B交替对获取数据进行处理；/n所述步骤A采用脉冲神经网络SNN处理数据的具体方法为：/n步骤A1：SNN推理模块和SNN在线训练模块从输入端获取数据输入；同时，SNN推理模块和SNN在线训练模块从SNN权值储存模块中获取权值，并进行对应的计算，SNN推理模块生成用于输出的响应，SNN在线训练模块应当产生经过在线训练后的新权重。/n步骤A2：SNN推理模块输出响应，SNN在线训练模块写回更新后的权重，由于本步骤中权值已经更新，因此下一次接受输入时，会使用更新后的权重。/n所述步骤B采用脉冲神经网络SNN联合人工神经网络ANN处理数据的具体方法为：/n步骤B1：SNN推理模块，SNN在线训练模块和ANN在线训练模块从输入端获取输入。同时SNN推理模块，SNN在线学习模块从SNN权值储存模块获取SNN的最新权值。ANN在线训练模块从ANN权值储存模块获取当前ANN的最新权值。获取权值之后，SNN推理模块进行计算，生成对输入的响应；SNN在线训练模块进行计算，生成SNN的权值更新；ANN在线训练模块进行计算，生成ANN的权值更新。/n步骤B2：SNN推理模块输出对输入的响应；SNN/ANN在线训练模块分别向对应的权值存储模块写回最新的权值。/n步骤B3：SNN在线学习矫正模块从SNN/ANN权值储存模块中获取当前最新权值，进行对比，计算当前权值是否合理。/n步骤B4：如果步骤B4中判断当前SNN权值不合理，则进行一定程度的矫正。/n