一种基于脉冲神经网络的特征分类方法及系统技术方案

本发明专利技术提供的基于脉冲神经网络的特征分类方法，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。过对本质特征的分类和量分类综合后，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高，可延长输入数据时间分类动作等特征，通用性强。

【技术实现步骤摘要】
一种基于脉冲神经网络的特征分类方法及系统
本专利技术涉及神经网络模型
，具体涉及一种基于脉冲神经网络的特征分类方法及系统。
技术介绍
传统神经网络算法学习生物神经的结构和阀值的分类作用，通过案例数据将结果与输入通过强行修正的方式，达到神经学习后的权重值从而达到分类的目的。其神经网络学习效率低，通过大量的修正学习可以作为专家系统进行一些判断。传统神经网络只能分类单帧或某一时段的图像或声音，无法对前后连贯的变化做出相应的分类。传统神经网络结构适应性较窄，占用大量运算资源，无法动态分类。传统神经网络和生物神经网络最重要差别在于，生物神经网络的权重变化不需要反算，不需要大量的相同数据分类简单事物，神经连接为非全域连接。例如小羚羊在出生一天内就需要学会分辨地形、草丛同类等事物学会行走。小鸡没母鸡的指导通过简单尝试便能分辨食物与石头的区别。目前神经网络特征分类的公式为y＝a1*w1+a2*w2+a3*w3-b，这个算法能分类所有特征甚至是想象或虚构的东西，不管它是否存在内在逻辑。但不能同时将其本质特征和量进行分类。
技术实现思路
针对现有技术中的缺陷，本专利技术提供的基于脉冲神经网络的特征分类方法，通过对本质特征的分类和量分类，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物，分类事物效率高，通用性强。第一方面，本专利技术实施例提供的一种基于脉冲神经网络的特征分类方法，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。可选地，所述本质特征数据为信号幅度，所述量的数据为信号频率。可选地，所述隐含层包括数据特征组合层和特征分类层，将输入层的每个神经元视为形成区域组合的基础要素，所述数据特征组合层将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元；所述特征分类层将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比，输出区域组合位置的角、线、面、弧基础特征。可选地，所述隐含层还包括特征分类组合层和特征分类对比层；所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形，所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比，输出组成不同图形的特征神经元的位置特征数据和量的数据。可选地，所述隐含层还包括差分输出层，所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较，输出频率不同的特征神经元。第二方面，本专利技术实施例提供的一种脉冲神经网络系统，包括输入层、隐含层和输出层，所述输入层用于将每个神经元的输入数分解为本质特征数据和量的数据，将神经元数据传递到到隐含层；所述隐含层对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；所述输出层用于将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。可选地，本质特征数据为幅度数据，所述量的数据为频率数据。可选地，所述隐含层包括数据特征组合层和特征分类层，将输入层的每个神经元视为形成区域组合的基础要素，所述数据特征组合层用于将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元；所述特征分类层用于将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比，输出区域组合位置的角、线、面、弧基础特征。可选地，所述隐含层还包括特征分类组合层和特征分类对比层；所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形，所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比，输出组成不同图形的特征神经元的位置数据和量的数据。可选地，所述隐含层还包括差分输出层，所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较，输出频率不同的特征神经元。本专利技术的有益效果：本专利技术实施例提供的基于脉冲神经网络的特征分类方法，过对本质特征的分类和量分类综合后，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该方法分类事务效率高，可延长输入数据分类动作等特征，通用性强。本专利技术实施例提供的基于脉冲神经网络系统，通过对本质特征的分类和量分类综合后，可以不需要大量数据通过反向递归算法获取权重值来分类事物，仅仅通过对输出的最大值神经元的比较查找来分类相同、相似的事物。该系统分类事务效率高，可延长输入数据时间分类动作等特征，通用性强。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1示出了本专利技术提供的一种基于脉冲神经网络的特征分类方法第一实施例的流程图；图2示出了本专利技术提供的一种基于脉冲神经网络系统的第一实施例的非全域连接结构示意图。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只是作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。图1示出了本专利技术提供的一种基于脉冲神经网络的特征分类方法第一实施例的流程图，方法包括：S1:设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；S2:隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；S3:输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。在本实施例中，本质特征数据为幅度数据，量的数据为频率数据。通过将神经元的输入数据转化为脉冲序列，将脉冲序列的特征分解为本质特征数据和量的数据，其中，本质特征数据为脉冲幅度，量的数据为脉冲频率。在采用脉冲神经网络算法计算时，本质特征数据采用决策树方法进行判断，频率数据采用投票原理多数获胜进行判断。根据脉冲幅度的真或假用来判断信号的有或无，频率用来判断信号强度大小。预先设置脉冲幅度阀值，通过幅度阀值可有效分类本质特征是否能激活，通过频率判断激活强度。将输入数据分为本质特征数据和量的数据，避免了特征因为输入量的变化而影响对特征的变化。例如，图像色彩或声音频率当有输入时，本质特征数据为真，图像的亮度或声音的大小为量的数据。图像亮度和声音大小变化不会改变对事物存在的判断，只会影响其远近、结构变化和最终最大强度的判断。由于神经元非全域连接，每个小区域特征数据包含有位置特征数据。每个小特征数据通过更高一层更大区域组合构成带有位置特征数据的图形，如：某个小区域本文档来自技高网...

【技术保护点】
1.一种基于脉冲神经网络的特征分类方法，其特征在于，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。

【技术特征摘要】
1.一种基于脉冲神经网络的特征分类方法，其特征在于，设置输入层每个神经元的输入数据，所述输入数据由本质特征数据和量的数据组成，将输入层的神经元数据传递到到隐含层；隐含层通过对输入的不同神经元的数据组合进行计算得到隐含层的每个神经元的输出值，并将隐含层的输出值传递到输出层；输出层将输入层和隐含层的各个神经元的输出的量的数据进行对比计算，选择并标注出最大值神经元的数据作为分类结果。2.如权利要求1所述的基于脉冲神经网络的特征分类方法，其特征在于，所述本质特征数据为信号幅度，所述量的数据为信号频率。3.如权利要求2所述的基于脉冲神经网络的特征分类方法，其特征在于，所述隐含层包括数据特征组合层和特征分类层，将输入层的每个神经元视为形成区域组合的基础要素，所述数据特征组合层将不同位置的多个神经元进行区域组合形成角、线、面、弧特征单元；所述特征分类层将所述不同的区域组合形成角、线、面、弧特征数据与设定的阀值进行对比，输出区域组合位置的角、线、面、弧基础特征。4.如权利要求3所述的基于脉冲神经网络的特征分类方法，其特征在于，所述隐含层还包括特征分类组合层和特征分类对比层；所述特征分类组合层将由多个区域组合位置的角、线、面、弧基础特征形成不同图形，所述特征分类对比层将形成不同图形的基础特征数据与设定的阀值进行对比，输出组成不同图形的特征神经元的位置特征数据和量的数据。5.如权利要求4所述的基于脉冲神经网络的特征分类方法，其特征在于，所述隐含层还包括差分输出层，所述差分输出层将组成不同图形的特征神经元的位置特征数据和量的数据与邻近的特征神经元进行差分比较，输出...

【专利技术属性】
技术研发人员：王上，
申请(专利权)人：王上，
类型：发明
国别省市：重庆,50