【技术实现步骤摘要】
基于脉冲神经网络模型增量学习的分类方法、系统、装置
本专利技术属于类脑智能、人工智能领域，具体涉及一种基于脉冲神经网络模型增量学习的分类方法、系统、装置。
技术介绍
深度神经网络在图像分类、目标分割、语音识别等多个领域都取得了很大的成功，分类精度已经能到达到甚至超过了人类的水平，但模型只对训练的过程见过的类别有效。如果出现训练过程没有见过的类别，需要收集大量的新数据，和已有的数据合并到一起，重新训练模型，这样就产生了大量的时间成本和经济成本，还带来了另一个问题时，当存储资源有限不足以保存全部数据时，模型的识别精度就会下降。随着移动终端的广泛引用，互联网每天产生的数据量都在快速增加，如何从这些数据中获取有用的信息是一项重要的工作。这对现有的模型提出了一个挑战：当数据持续不断出现的时候，模型是否能够对已有的数据保持记忆功能，同时又能适应新出现的数据。然而深度神经网络这种批量式学习方法是不能适应这种需求的，因此研究具有增量学习的神经网络模型具有重要意义。增量学习是人类最重要的能力之一，如果神经网络模型能够像人类一样对任务进...
【技术保护点】
1.一种基于脉冲神经网络模型增量学习的分类方法，其特征在于，该方法包括以下步骤：/n步骤S10，获取待分类的样本数据集，作为输入数据集；/n步骤S20，通过脉冲神经网络模型获取所述输入数据集中各输入数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；/n步骤S30，对各输入数据，计算其对应的分类输出值与各平均输出值的差值，若其对应的最小差值小于设定阈值，则将最小差值对应的平均输出值所属的类作为当前输入数据的最终分类结果，并跳转步骤S50，否则跳转步骤S40；/n步骤S40，对所述脉冲神经网络模型，在其输出层中增加一个皮质柱模型，并结合各输入数据，更新其输出层的上...
【技术特征摘要】
1.一种基于脉冲神经网络模型增量学习的分类方法，其特征在于，该方法包括以下步骤：
步骤S10，获取待分类的样本数据集，作为输入数据集；
步骤S20，通过脉冲神经网络模型获取所述输入数据集中各输入数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；
步骤S30，对各输入数据，计算其对应的分类输出值与各平均输出值的差值，若其对应的最小差值小于设定阈值，则将最小差值对应的平均输出值所属的类作为当前输入数据的最终分类结果，并跳转步骤S50，否则跳转步骤S40；
步骤S40，对所述脉冲神经网络模型，在其输出层中增加一个皮质柱模型，并结合各输入数据，更新其输出层的上一层与所述皮质柱模型的连接权重；更新后跳转步骤S30；
步骤S50，判断是否获取所有输入数据的最终分类结果，若是则结束；
其中，所述皮质柱模型其构建方法为：基于漏电微分发放模型LIF构建神经元模型，并结合各神经元模型之间的连接权重，构建皮质柱模型；所述连接权重为各神经元之间的欧氏距离；
所述脉冲神经网络模型以各皮质柱模型替换神经元构建。
2.根据权利要求1所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，所述脉冲神经网络模型，其训练方法为：
步骤A10，基于漏电微分发放模型LIF构建神经元模型，并结合各神经元模型之间的连接权重，构建皮质柱模型；所述连接权重为各神经元之间的欧氏距离；
步骤A20，以各皮质柱模型替换神经元构建脉冲神经网络模型；
步骤A30，获取训练样本数据，并通过所述脉冲神经网络模型获取所述训练样本数据的分类输出值，作为预测输出值；
步骤A40，将所述脉冲神经网络模型的输出层的层数初始化为N；
步骤A50，计算所述脉冲神经网络模型第N层的预测输出值与真实输出值的误差，并根据该误差，更新所述脉冲神经网络模型第N层与第N-1层的连接权重；
步骤A60，对所述脉冲神经网络模型，将其第N层的真实输出值与更新后的连接权重相乘，得到其第N-1层的真实输出值；
步骤A70，判断是否更新完所述脉冲神经网络模型的所有层的连接权重，若是，则跳转步骤A80，否则，令N＝N-1，跳转步骤A50；
步骤A80，循环执行步骤A30-步骤A70，直至得到训练好的脉冲神经网络模型。
3.根据权利要求1所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，步骤A50中“计算所述脉冲神经网络模型第N层的预测输出值与真实输出值的误差”，其方法为：
其中，e为预测输出值与真实输出值的误差，为脉冲神经网络模型第N层预测输出值，SNT表示脉冲神经网络模型第N层的真实输出值。
4.根据权利要求3所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，步骤A60中“将其第N层的真实...
【专利技术属性】
技术研发人员：孔庆群，曾毅，赵东城，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。