面向事件流分类的突触卷积脉冲神经网络制造技术

本发明专利技术的目的是解决目前对于事件流分类采用的脉冲神经网络难以兼顾处理时间维度和大量冗余数据的技术问题，而提出一种面向事件流分类的突触卷积脉冲神经网络，可以在保证处理精度的前提下有效缩短脉冲神经网络的延时。该神经网络局域具有可学习的衰减系数的多阈值LIF模型构建，脉冲神经网络包括依次设置的输入层、多个中间隐藏层和输出层；所述输入层基于DVS数据压缩，采用带权重的脉冲叠加方式将指定压缩率的脉冲序列压缩处理后传递给下一层网络；所述中间隐藏层包括A层基于突触模型的突触卷积层和B层基于多阈值脉冲神经元的全连接层；所述输出层基于投票机制，用于给上一层神经元随机分配标签。一层神经元随机分配标签。一层神经元随机分配标签。

【技术实现步骤摘要】
面向事件流分类的突触卷积脉冲神经网络


[0001]本专利技术涉及一种神经网络，具体涉及一种面向事件流分类的突触卷积脉冲神经网络。

技术介绍

[0002]脉冲神经网络是一种脑启发式的神经网络模型，该模型作为第三代神经网络，受大脑神经元机制启发，具有事件驱动的特性，在提取时空特征方面具有巨大的潜力，因此十分适合用于基于帧的事件流分类任务。
[0003]动态视觉传感器(Dynamic vision sensors(DVS))是通过使用稀疏和异步事件来表示视觉信息，常被用于脉冲神经网络的事件流分类任务的脉冲数据产生。然而，由于高时间分辨率和场景不规则的动态变化，造成DVS传感器在记录事件的过程中，在时间维度上通常具有大量冗余数据，在保证精度的同时造成了脉冲神经网络的延时，这使得事件流分类几乎不可能通过深度脉冲神经网络完成。

技术实现思路

[0004]本专利技术的目的是解决目前对于事件流分类采用的脉冲神经网络难以兼顾处理时间维度和大量冗余数据的技术问题，而提出一种面向事件流分类的突触卷积脉冲神经网络，可以在保证处理精度的前提下有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向事件流分类的突触卷积脉冲神经网络，其特征在于：基于具有可学习的衰减系数的多阈值LIF模型构建，脉冲神经网络包括依次设置的DVS数据压缩输入层、多个中间隐藏层和输出层；所述DVS数据压缩输入层，采用带权重的脉冲叠加方式将指定压缩率的脉冲序列压缩，并采用归一化的方法将输入信息转化为0
‑
1的实数值，作为输入电流传递给下一层网络；所述中间隐藏层包括A层基于突触模型的突触卷积层和B层基于多阈值脉冲神经元的全连接层；A和B均为正整数；所述突触卷积层采用一阶突触模型和卷积函数构成，包括依次设置的卷积层、批量归一化层、突触层以及平均池化层；所述中间隐藏层的脉冲神经元模型中突触模型采用零阶模型；所述输出层基于投票机制，用于给上一层神经元随机分配标签，相同标签的神经元输出累加后求均值作为该标签的输出脉冲。2.根据权利要求1所述的面向事件流分类的突触卷积脉冲神经网络，其特征在于：所述一阶突触模型为：I
syn
[t]＝tanh(ω
syn
)I
syn
[t
‑
1]+In[t]其中：I
syn
[t]和I
syn
[t
‑
1]为在t和t
‑
1时刻突触的输出电流；ω
syn
为突触的电流衰减权重；In[t]为突触在t时刻的输入电流。3.根据权利要求2所述的面向事件流分类的突触卷积脉冲神经网络，其特征在于：所述多阈值LIF模型为：u
i
[t]＝sigmoid(ω
decay
)u
i
[t
‑
1]+I[t]+u
reset
[t]其中：I[t]为上一层脉冲神经网络给第i个脉冲神经元发送的突触输入电流；i表示脉冲神经网络的第i个脉冲神经元；j表示上一层脉冲神经网络中第j个脉冲神经元；N为上一层脉冲神经网络脉冲神经元的数量；ω
ij
为上一层脉冲神经网络中第j个脉冲神经元与本级脉冲神经网络中第i个脉冲神经元之间的权重；s
j
[t]代表上一层脉冲神经网络中第j个脉冲神经元在t时刻的输出脉冲；u
i
[t]为第i个脉冲神经元在t时刻的膜电压；
u
i
[t
‑
1]为第i个脉冲神经元在t
‑
1时刻的膜电压；u
reset
[t]为脉冲神经元在t时刻的复位电压；ω
decay
为脉冲神经元的衰减权重；s
i
[t]为第i个脉冲神经元在t时刻的输出脉冲；S
max
为脉冲神经元的输出脉冲上限；V
th
为脉冲神经...

【专利技术属性】
技术研发人员：徐长卿，刘毅，宁嘉豪，杨银堂，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：