一种基于膜电位自增机制的脉冲神经网络训练方法技术

本发明专利技术公开的一种基于膜电位自增机制的脉冲神经网络训练方法，涉及一种脉冲神经网络训练方法，特别涉及一种基于膜电位自增机制的时间编码训练方法，属于人工智能领域。本发明专利技术针对脉冲神经网络训练时受到信号稀疏性的影响，只有少数神经元被激活，网络输出层的误差无法有效传播到网络的各个隐层，不能参与参数更新的问题，在采用时间编码方法对脉冲神经网络进行训练时，为脉冲神经元细胞膜电位动力学模型加入一个随时间变化的自增项。这个自增项使得全部脉冲神经元都可以在有限的时间内被激活，从而使反向传播过程能够为全部神经元更新参数，提升脉冲神经网络的训练效果。本方法可用于人工智能、神经形态工程、机器人等领域，实现高精度控制。实现高精度控制。实现高精度控制。

【技术实现步骤摘要】
一种基于膜电位自增机制的脉冲神经网络训练方法


[0001]本专利技术涉及一种脉冲神经网络训练方法，特别涉及一种基于膜电位自增机制的脉冲神经网络训练方法，属于人工智能领域。

技术介绍

[0002]脉冲神经网络模拟大脑的计算原理，相比于传统计算方法，拥有低功耗、低延迟处理等优势，与类脑传感器结合，可用于对机器人的低功耗、低延迟控制。
[0003]脉冲神经网络的训练有多种方法，主要包括：一是参考生物学原理，利用突触可塑性进行训练；二是首先进行人工神经网络训练，把训练好的网络转化为脉冲神经网络；三是把人工神经网络中的反向传播技术用于脉冲神经网络的训练，面临的挑战是脉冲神经元模型的不可导问题，当前可用的解决方案主要包括频率编码法、时间编码方法、导数替代法等。
[0004]其中，时间编码方法是把信息编码为脉冲的发出时间，通过公式转化，获得与人工神经网络一致的计算模型，使得反向传播技术可以应用于脉冲神经网络的训练，相比于其他方法更适用于在主流的深度学习平台上进行开发。但是，使用该方法时，由于脉冲神经网络的输入信号具有稀疏性，会导致大部分神经元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于膜电位自增机制的脉冲神经网络训练方法，其特征在于：包含以下步骤：步骤一、基于机器人虚拟仿真环境，采用深度强化学习方法，搭建强化学习环境，把其中的人工神经网络部分替换为脉冲神经网络；步骤二、以机器人虚拟仿真环境提供的环境状态信息，作为脉冲神经网络的输入信号；步骤三、采用引入膜电位自增机制的神经元模型构造脉冲神经网络；步骤四、在强化学习框架下，采用反向传播方法对脉冲神经网络进行训练，使其能够准确预测当前环境状态对应的未来奖励，并把其输出结果用于对机器人的控制；步骤五、脉冲神经网络的输出作为当前环境状态下，机器人采取各个动作后预期获得的未来奖励，选择未来奖励最高的动作对机器人进行控制。2.如权利要求1所述的一种基于膜电位自增机制的脉冲神经网络训练方法，其特征在于：步骤三的实现方法为：在训练过程中，采用无漏电流的积分与兴奋神经元，在其膜电位动力学公式的右端加入一个自增项βexp(t)，β为可调节自增项大小的参数，新的膜电位动力学公式可以表示为：其中，V
mem
(t)为细胞膜电位，它是时间t的函数；公式右侧为输入的突触电流，w
i
为突触连接的权重，为第i个神经元发出第r个脉冲的时间，κ为突触电流的计算公式：其中，T
syn
为时间常数，为简化公式表达，把它设置为1；对公式(1)进行积分，可以得到：V
ment
(t
out
)＝∑
i∈C
w
i
(1
‑
exp(
‑
t
out
+t
i
))+βexp(t
out
)
‑
β
ꢀꢀꢀꢀ
(3)其中，t
out
为神经元被激活后，产生脉冲的时间；C＝{i：t
i
＜t
out
}，为所有在t
out
之前出现的输入脉冲，只有这些脉冲能影响t
out
；V
ment
(t
out
)是神经元被激活时细胞膜电位需达到的阈值，为简化公式表达，在下列公式中...

【专利技术属性】
技术研发人员：梁东晨，曹江，平洋，吴冠霖，栾绍童，闫妍，马宁，
申请(专利权)人：中国人民解放军军事科学院战争研究院，
类型：发明
国别省市：