一种基于神经元复杂动力学的脉冲神经类脑智能分类方法技术

本发明专利技术提出了提供一种基于神经元复杂动力学的脉冲神经类脑智能分类方法，包括步骤：S1建立R

【技术实现步骤摘要】
一种基于神经元复杂动力学的脉冲神经类脑智能分类方法


[0001]本专利技术涉及类脑智能及深度学习
，具体地指一种基于神经元复杂动力学的脉冲神经类脑智能分类方法，用于提升脉冲神经网络的性能。

技术介绍

[0002]近年来，人工神经网络(ANN)发展迅速，并且能够在多种领域内取得优异的成果，例如计算机视觉、医学影像、工业数据以及脑电信号等。并且ANN中所提出的关键技术，如残差结构、注意力机制和非局部学习策略，这些技术保证了ANN可以采用深层次和多样化的网络结构，进而提升网络的性能、鲁棒性以及泛化能力。
[0003]虽然ANN相比于其它机器学习和深度学习方法具有诸多优势，但是它仍存在多方面的不足。第一，由于ANN采用模拟数值计算的特性，导致其需要消耗大量的计算资源，并且不具备硬件亲和性，目前在边缘设备中实施ANN依旧面临挑战；第二，尽管ANN能够在离线数据处理中展现出先进的性能，但是它在在线任务中的使用会受到限制，并且延迟性较高；第三，ANN以静态的方式处理数据，时序数据的时间维度仅被视为一个额外衍生的空间轴，这并不符合生物的学习规则，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经元复杂动力学的脉冲神经类脑智能分类方法，其特征在于：所述方法包括如下步骤：S1 建立R
‑
ALIF神经元的膜电压充电方程，所述R
‑
ALIF神经元的膜电压充电方程根据神经元的细胞膜与突触间隙具有不同的物理性质对膜时间参数τ
m
和突触时间参数τ
s
进行区分；S2 将LIF神经元的电压阈值常数调整为随时间递归的参数，将阈值时间参数τ
th
引入电压阈值调整方程；S3 将膜电压充电方程以及阈值调整方程中的三个时间参数τ
m
、τ
s
、τ
th
以及尺度参数β和偏移参数bias均设置为可学习参数，使得网络每一层神经元的动力学方程实现在学习过程中的自适应调整；S4基于所述LIF神经元的膜电压充电方程和电压阈值调整方程构建一个具有复杂动力学的R
‑
ALIF脉冲神经网络，R
‑
ALIF神经元离散形式的动力学方程描述为：其中第一个为膜电压充电方程，H(t)表示脉冲触发前细胞膜电压，V(t
‑
1)是t
‑
1时刻的脉冲触发后膜电压，膜时间参数τ
m
用于控制[t
‑
1, t]时间段内膜电压的泄漏，突触时间参数τ
s
用于控制本时刻输入电流的泄漏；第二个为脉冲触发方程，S(t)是t时刻的输出脉冲，为阶跃函数，当t时刻的触发脉冲前膜电压高于此时刻的电压阈值V
th
(t)，神经元产生脉冲，反之则不产生脉冲；第三个为电压重置方程，V(t)为脉冲触发后膜电压，V
reset
为重置电压，第四个为电压阈值调整方程，根据t时刻的脉冲生成情况，实现对于电压阈值的调整，β和bias分别是尺度参数和偏移参数；S5 基于时空反向传播STBP的学习规则对所述R
‑
ALIF脉冲神经网络进行训练；S6 采用数据集对所述R
‑
ALIF脉冲神经网络进行验证；S7将待检测数据输入至所述R
‑
ALIF脉冲神经网络中，所述R
‑
ALIF脉冲神经网络将具有最高脉冲触发频率的类别作为输入数据的预测分类结果。2.根据权利要求1所述的一种基于神经元复杂动力学的脉冲神经类脑智能分类方法，其特征在于：步骤S1）中所述R
‑
A...

【专利技术属性】
技术研发人员：刘泉，蔡旻成，马力，陈昆，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：