面向功耗的混合粒子群脉冲神经网络映射方法技术

本发明专利技术公开了一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件。本发明专利技术的技术方案克服了基本粒子群算法性能的缺陷，既能够发挥粒子群算法原有的搜索能力，也能克服因基本粒子群算法过早收敛，容易陷入局部最优节的缺点，使算法能够搜索到全局最优解，有效地降低了系统功耗，增强了映射方案的应用性。

Hybrid neural network mapping method based on power consumption for hybrid particle swarm optimization

The invention discloses a power oriented hybrid particle swarm impulsive neural network mapping method by combining particle swarm algorithm and genetic algorithm of neuron node mapping, the optimal mapping results nodes mapped to hardware system, the main mapping method using particle swarm algorithm, genetic algorithm combined with mutation operation in the process of particle swarm algorithm in the operation of basic particle swarm algorithm, recursive algorithm to meet the termination condition. The technical scheme of the invention overcomes the defects of the performance of the basic PSO algorithm, particle swarm algorithm can play the original search ability, can overcome the basic particle swarm algorithm premature convergence, easy to fall into local optimum defects, so the algorithm can search the global optimal solution, to effectively reduce the power consumption of the system, and enhance the application mapping scheme.

【技术实现步骤摘要】
面向功耗的混合粒子群脉冲神经网络映射方法
本专利技术涉及智能优化领域，尤其涉及一种面向功耗的混合粒子群脉冲神经网络映射方法。
技术介绍
脉冲神经网络(SpikingNeuronNetworks，SNN)的研究日益成为计算智能领域中的一个研究热点。脉冲神经网络采用基于时间脉冲序列的编码方式，更接近于脑科学对生物神经系统的认识。相对于传统的神经网络，脉冲神经网络表现出了更强的仿生特性和计算能力。作为迄今最具生物真实性的人工神经网络模型，脉冲神经网络的全部神经元具有和生物神经元类似的电位脉冲触发机制，这种机制使得脉冲神经网络与基于脉冲频率编码信息的传统人工神经网络相比，具有更强的计算能力，同时可以对各种神经信号和连续函数进行模拟，十分适合对复杂时空信息及大脑神经信号进行处理，如模式识别、数据预测等。基于其良好的生物学特性和强大的计算能力，希望能够建立模拟哺乳动物大脑关键信息处理机制的类脑硬件系统。但是哺乳类动物的大脑神经元数量超过1010个，脉冲神经网络规模必然十分巨大，而现有的方法并不能有效地提供百万数量级的神经元/突触之间的相互连接。采用常规软件计算的方式来模拟脉冲神经网络，例如基于传本文档来自技高网...

【技术保护点】
一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件,包含以下步骤：第1步：初始化：设置粒子群中粒子数量、最大迭代次数、突变阈值，按照粒子表示方式随机生成初始粒子群、当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正；第2步：根据适应度函数计算粒子群中各个粒子的适应度值；第3步：根据粒子群中各个粒子的适应度值及目标函数找出当前粒子群中全局最佳粒子；第4步：根据当前粒...

【技术特征摘要】
1.一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件,包含以下步骤：第1步：初始化：设置粒子群中粒子数量、最大迭代次数、突变阈值，按照粒子表示方式随机生成初始粒子群、当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正；第2步：根据适应度函数计算粒子群中各个粒子的适应度值；第3步：根据粒子群中各个粒子的适应度值及目标函数找出当前粒子群中全局最佳粒子；第4步：根据当前粒子群中全局最佳粒子，采取“跳变”的方式对粒子群中全局最佳粒子除外的每一个粒子进行更新；第5步：粒子群更新完成后，计算粒子群的群体相似度；第6步：将粒子群的群体相似度与设定的突变阈值进行比较，如果群体相似度大于突变阈值，则进行第7步；否则，进行第8步；第7步：对粒子群中全局最佳粒子除外的每一个粒子进行突变操作，然后进行第6步；第8步：判断当前迭代次数是否达到设定的最大迭代次数，如果达到则进行第9步；否则，进行第2步；第9步：输出全局最佳粒子即最佳映射方案及全局最佳粒子的适应度值。2.根据权利要求1所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第1步中，所述突变阈值为Tm，其范围Tm∈(0，1)。3.根据权利要求1或2所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第1步中，每一个粒子的表示方式及含义如下：x＝(x1，x2，x3，…，xd)x1，x2，x3，…，xd表示神经元的编号1,2,…,d的一种全排列，而d表示神经元的数量,每个神经元编号的位置代表神经元在NoC系统中放置的位置。4.根据权利要求1或2所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第1步中，所述当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正的...

【专利技术属性】
技术研发人员：刘俊秀，黄星月，罗玉玲，莫家玲，丘森辉，闭金杰，彭慧玲，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西,45