一种基于相互作用的多层脉冲神经网络的图像分类方法技术

鉴于现有技术中脉冲神经网络分类效果不理想的现状，本发明专利技术提供一种基于相互作用的多层脉冲神经网络的图像分类方法，使用多层神经元模型的脉冲网络，采用多层的形式更好的模拟人类大脑的生物神经元模型，将图像输入到神经网络中，先通过泊松序列脉冲的转换，将图像转化为相应的泊松序列输入到第一层神经网络的刺激层，通过刺激层与抑制层的相互作用，可以得到该刺激层的输出，再输入到下一层的刺激层神经元中，经过多次的神经元刺激层与抑制层的相互处理，可以更好模拟现实社会中的人脑特性，达到更好的分类效果。

An image classification method based on interaction multi-layer impulse neural network

【技术实现步骤摘要】
一种基于相互作用的多层脉冲神经网络的图像分类方法
本专利技术涉及图像分类领域，尤其涉及一种基于相互作用的多层脉冲神经网络的图像分类方法。
技术介绍
脉冲神经网络(snn)经常被誉为第三代人工神经网络，第一代神经网络是感知机，他是一个简单的神经元模型并且只能处理二进制的数据；第二代神经网络应用最广泛为BP神经网络，从本质上讲，这些神经网络都是基于神经脉冲的频率进行编码。而脉冲神经网络，其模拟神经元更加接近实际，同时在snn中也考虑了时间对神经元的影响。脉冲神经网络更加贴近对人类大脑神经元的模拟，更加贴近实际。在生物研究中人类的大脑运行是在每一次信息传播中都刺激或抑制该神经元，可以在每一次传播对神经元的膜电位造成改变，当神经元的膜电位得到一个特定的值则被激活，神经元则产生一个信息通过突触传递给下一个神经元，下一个神经元提高或者降低膜电位。脉冲神经网络则是通过微分方程构建神经元突触的传递模式，将时间因素加入到神经网络的考虑中，借助于神经科学的研究，人们已经可以精确的建立基于脉冲产生时间神经网络模型，这种模型采用脉冲编码的方式。通过脉冲发生的精确时间，可以获得更多的信息和更强的计算能力，将脉冲神经网络应用于图像分类也能获得更接近人类分析的效果。在专利文献CN108846408A中，提出了一种基于脉冲神经网络的图像分类方法，将外部输入的图像模拟量编码成脉冲时间序列；脉冲时间序列分别添加延时信息，并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存，然后将添加的延时信息的脉冲序列输入到IF神经元模型，通过将膜电压信号与阈值比较并对膜电压信号进行分类判别分类效果。在专利文献CN109871940A中，提出了了一种脉冲神经网络的多层训练算法，利用逐层训练的方式，允许层内连接，并将权值训练和结构训练相结合，锐化数据之间的关联性，先将输入数据通过转换函数转化为脉冲序列，接着初始化，设置脉冲神经网络层数、每层神经元数量和层内神经元分布状态；在初始网络中，网络层间不设置连接，层间连接采用逐层递推的方式生成；而通过对层间权值的归一化操作消除数据差异带来的影响；最后通过权值训练获取结果。在专利文献CN108805879A中，提出了一种基于脉冲神经网络的图像分割方法，基于视觉皮层中存在的多个感受野结构，自动搜索输入图像的内在规律和本质属性，初步动态构建输入层-隐藏层-输出层模式的脉冲神经网络，通过脉冲神经网络的阈值点火模型和竞争方式，输出切割的图像。总之，以上述专利为代表的现有技术，在利用脉冲神经网络仅仅使用其最后的分类功能，或者只是使用一层snn应用于图像，这样不能够充分的发挥出脉冲神经网络模拟人脑的特性，因为人脑就是不同的神经元充当不同的层次，原来的脉冲神经网络不能够很完整的处理图像，更难达到分类的效果。
技术实现思路
鉴于现有技术中脉冲神经网络分类效果不理想的现状，本专利技术提供基于相互作用的多层脉冲神经网络的图像分类方法。为了实现上述目的，本专利技术采用的具体方案为：一种基于snn的多层脉冲神经网络的图像分类方法，其特征在于：包括以下步骤：S1.图像的收集与预处理：选取图片数据集，将数据转换为ubyte数据形式，并将图像的大小整合成28*28的灰度图像；S2.图像的输入转化：将S1步骤得到的28*28像素的图像转化为泊松-峰序列；S3.图像分类的训练步骤：S301.脉冲的输入：将S2步骤得到的泊松-峰序列按照全连接的方式输入到一个含固定数量的神经元刺激层，该层神经元有脉冲的输入时，其电导根据时间发生改变，从而改变膜电位的大小，当V>Vthrse时，神经元发出脉冲，电位恢复到静置电位Vreset，等待下一次的脉冲激活；其中，Vthrse为阈值电位；V为膜电位；S302.一层神经元之间的传递：当输入经过刺激层神经元后，刺激神经元膜电位达到阈值电位则被激活，将脉冲输出到与其一一连接的同样大小的抑制层神经元层，一一对应的抑制神经元被激活，则反馈回上一个刺激层；通过自定义权值控制该刺激层除了与该抑制元对应的刺激神经元被激活，其他的神经元全被抑制不发出脉冲；S303.多层神经元的传递：将反馈回上一个刺激层发出的脉冲输入到下一层的神经元的刺激层，然后继续按照步骤S301和步骤S302在第二层的刺激层和抑制层相互作用，得到其脉冲输出；S304.神经元的学习：神经元之间的学习算法采用STDP算法，判断神经元权重；S305.通过给定时间的多层snn的训练及stdp算法学习重复S303步骤，输出一个神经元结果对照表，同时输出训练刺激层的神经元权重保存，形成神经元对照表；S4.图像分类的测试：通过S304步骤得到的刺激层权重，输入测试图像，经过上述的s1步骤到步骤s3的运行，得到测试的结果，最后输出result。S5.结果对比：将步骤S4的到的测试结果result，与步骤S3得到的神经元对照表进行比对，输出每一张测试图对应的0-9的数字。其中，S304步骤中的STDP算法是指：如果在神经元y传递信息之后，x才产生反应，则神经元x与y之间的联系权值G(y→x)会加强；如果在x产生反应之后，其他神经元才传递信息，神经元x与y之间的联系权值G(y→x)会减弱。有益效果：本专利技术选择使用多层神经元模型的脉冲网络，采用多层的形式更好的模拟人类大脑的生物神经元模型，将图像输入到神经网络中，先通过泊松序列脉冲的转换，将图像转化为相应的泊松序列输入到第一层神经网络的刺激层，通过刺激层与抑制层的相互作用，可以得到该刺激层的输出，再输入到下一层的刺激层神经元中，经过多次的神经元刺激层与抑制层的相互处理，可以更好模拟现实社会中的人脑特性，达到更好的分类效果。附图说明图1是本专利技术的流程图。图2是脉冲神经网络模拟图。图3是多层snn脉冲传播图。图4a是单层snn训练相同数量图像神经元表示。图4b是多层snn训练相同数量图像神经元表示。需要明确的是：图4a图4b中0-9的数字，不必须是清晰的，只要能够参与相互比对即可。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。如图1～3，本专利技术提供了一种基于snn的多层脉冲神经网络的图像分类方法，具体步骤如下；S1.图像的收集与预处理：选取图片数据集，将数据转换为ubyte数据形式。该网络模型可以处理十类数据的分类，所以做图像需要数据整理为十个类别，并且对应0-9的十个labels，并且将数据分成训练集和测试集，按照比例分成训练集：测试集为6:1。同时预处理时将图像的大小整合成28*28的灰度图像，通过矩阵变化reshape转化为784*1的一维矩阵，满足模型的需要，同时在将图像转化为脉冲神经网络的输入提供便捷。S2.图像的输入转化：将28*28像素的图像转化为784个连续的输入，同时根据图像每个点的像素值大小将其转化为泊松-峰序列—即按照像素值的大小决定其发射脉冲的概本文档来自技高网...

【技术保护点】
1.一种基于相互作用的多层脉冲神经网络的图像分类方法，其特征在于：包括以下步骤：/nS1.图像的收集与预处理：选取图片数据集，将数据转换为ubyte数据形式，并将图像的大小整合成28*28的灰度图像；/nS2.图像的输入转化：将S1步骤得到的28*28像素的图像转化为泊松-峰序列；/nS3.图像分类的训练步骤：/nS301.脉冲的输入：将S2步骤得到的泊松-峰序列按照全连接的方式输入到一个含固定数量的神经元刺激层，该层神经元有脉冲的输入时，其电导根据时间发生改变，从而改变膜电位的大小，当v＞V

【技术特征摘要】
1.一种基于相互作用的多层脉冲神经网络的图像分类方法，其特征在于：包括以下步骤：
S1.图像的收集与预处理：选取图片数据集，将数据转换为ubyte数据形式，并将图像的大小整合成28*28的灰度图像；
S2.图像的输入转化：将S1步骤得到的28*28像素的图像转化为泊松-峰序列；
S3.图像分类的训练步骤：
S301.脉冲的输入：将S2步骤得到的泊松-峰序列按照全连接的方式输入到一个含固定数量的神经元刺激层，该层神经元有脉冲的输入时，其电导根据时间发生改变，从而改变膜电位的大小，当v＞Vthrse时，神经元发出脉冲，电位恢复到静置电位Vreset，等待下一次的脉冲激活；其中，Vthrse为阈值电位；V为膜电位；
S302.一层神经元之间的传递：当输入经过刺激层神经元后，刺激神经元膜电位达到阈值电位则被激活，将脉冲输出到与其一一连接的同样大小的抑制层神经元层，一一对应的抑制神经元被激活，则反馈回上一个刺激层；通过自定义权值控制该刺激层除了与该抑制元对应的刺激神经元被激活，其他的神经元全被抑制不发出脉冲；
S303.多层神经元的传递：将反馈回上...

【专利技术属性】
技术研发人员：江齐，刘怡俊，叶武剑，翁韶伟，刘文杰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44