基于STDP非监督学习算法的硬件友好型脉冲神经网络模型制造技术

本发明专利技术公开了一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型，每层神经元分别通过若干条突触与其它层神经元互连，而每层内部神经元相互独立。本发明专利技术完全依赖数字硬件电路平台进行脉冲神经网络的模型设计，并且创新性的将STDP非监督学习算法用于该脉冲神经网络模型的学习训练中，能够实现特定功能。该硬件平台脉冲神经网络模型具有较高的稳定性，能够在占用较少硬件资源的条件下拥有较快的速度，加上网络结构并行连接的特点，其拓展性也大大提高，对于实现超大规模的脉冲神经网络也提供了新的思路。

【技术实现步骤摘要】
基于STDP非监督学习算法的硬件友好型脉冲神经网络模型
本专利技术属于脉冲神经网络技术，具体涉及一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型。
技术介绍
在生物大脑中，数以亿计的神经元通过突触相互连接进行信息传递，从而操控个体进行各种复杂而又缜密的生物活动，这种神经系统一直被人们研究模仿，人工神经网络也一直在世界范围内被人关注。近些年来，脉冲神经网络作为第三代人工神经网络，由于其在模式识别、图像处理、计算机视觉等方面展现出来的惊人的生物相似性和强大的计算能力，越来越被人们广泛研究。目前为止，许多学者集中研究了各种各样的脉冲神经网络模型以及学习机制，这些计算模型也在图像分类、决策及预测方面取得不错的效果。但是，目前的工作大都集中在计算机软件平台，一方面由于前人的工作总结使得软件平台关于脉冲神经网络的计算模型比较成熟，另一方面软件平台从学习算法到整个神经网络系统的开发难度与硬件平台相比简单不少，但是软件平台串行执行的特点从根本上不符合生物大脑神经元并行处理的特点，而且模拟时间长，拓展性差等问题也比较突出。人们普遍认为神经元以脉冲序列形式进行信息传播，STDP学习机制由Heb本文档来自技高网...

【技术保护点】
一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型，每层神经元分别通过若干条突触与其它层神经元互连，而每层内部神经元相互独立。

【技术特征摘要】
1.一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型，每层神经元分别通过若干条突触与其它层神经元互连，而每层内部神经元相互独立。2.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型是基于数字硬件电路平台进行设计，采用硬件描述语言进行编写的模型。3.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：神经元采用的是脉冲响应模型SRM，外界输入信号将引起细胞膜电位的变化，当膜电势超过阈值，神经元将会发放脉冲，然后进入耐火期，并且不对任何外界刺激做出反应；相反则不会发放脉冲。4.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：输入到所述脉冲神经网络模型的图像信息，每个像素点都按照规律的时钟频率进行脉冲编码，每个脉冲信号带有时间信息编码，每层神经元都会分别接收和发放带有精准时间信息的脉冲信号。5.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型根据前后脉冲发放时间差即可实现训练过程，所有输出神经元能够在准确的时间开火，即完成整个脉冲神经网络的训练过程。6.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：输...

【专利技术属性】
技术研发人员：常胜，徐智勇，王豪，刘锋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42