【技术实现步骤摘要】
一种基于类脑学习的图像识别方法
[0001]本专利技术属于图像识别
,同时涉及类脑智能与机器学习
;特别涉及一种基于类脑学习的图像识别方法。
技术介绍
[0002]在现在发展飞快的社会,模式识别是人工智能的一个重要任务。其中最常用的就是图像识别。现有的图像识别技术一般是通过人工神经网络来实现的,主要是通过反向传播算法搭配人工神经网络来实现。但反向传播算子有一些缺陷:首先,反向传播学习算法需要占用大量的计算资源;其次,这种反向传播的方式并没有在生物大脑中被观察到,其结构、计算方式和学习规则与大脑存在根本差异;最后,通过人工神经网络进行图像识别的过程是没有可解释性的。同时,人工神经网络也有其他缺点,首先是人工神经网络解决图像识别任务结构过于复杂,能耗较高;其次是人工神经元并非仿生神经元,不具有生物可解释性。
技术实现思路
[0003]为了解决现有方法的缺点,本专利技术通过了一种基于类脑学习的图像识别方法,采用类脑学习算子搭配脉冲神经网络来完成图像识别,这种类脑学习算子以强化学习为基础,通过仿真实现大脑内部的奖励学习机制来达到学习和识别的功能。而类脑学习算子也和脉冲神经网络原生的学习算子不同,类脑学习算子在全局信用分配、能耗降低和生物可解释性上都比原生的学习算子更加优越。
[0004]为了实现上述目的,本专利技术采用的技术方案是:
[0005]一种基于类脑学习的图像识别方法,其特征在于,包括如下步骤:
[0006]步骤1:对原始图片数据进行预处理得到输入向量;所述原始图片 ...
【技术保护点】
【技术特征摘要】
1.一种基于类脑学习的图像识别方法,其特征在于,包括如下步骤:步骤1:对原始图片数据进行预处理得到输入向量;所述原始图片数据指训练脉冲神经网络所用的训练数据,其包括了图片和标签两个部分;步骤2:建立脉冲神经网络模型进行学习,所述脉冲神经网络模型包括输入层、类脑学习算子和输出层;先对所述输入向量进行脉冲时序编码得到脉冲神经网络的输入数据,再将所述输入数据输入到脉冲神经网络的输入层,然后通过类脑学习算子学习输入向量的特征,最后将脉冲神经网络的输出层最先激发的脉冲神经元作为网络识别的类别,经过多次训练学习后,得到最后的识别网络;步骤3:将待识别的原始图片数据进行预处理,用识别网络进行图片识别。2.根据权利要求1所述基于类脑学习的图像识别方法,其特征在于,所述步骤1具体包括以下步骤:步骤1.1:将原始输入图片直接放入三层卷积神经网络中进行卷积处理,得到大小为24
×
24的处理后的图片;步骤1.2:将处理后的图片送入三层卷积神经网络的池化层中进行池化处理,得到1
×
576的行向量,将该行向量作为输入向量。3.根据权利要求1所述基于类脑学习的图像识别方法,其特征在于,所述步骤2具体包括以下步骤:步骤2.1:构建两层脉冲神经网络,将步骤1得到的输入向量经过脉冲时序编码后作为脉冲神经网络的输入;步骤2.2:利用类脑学习算子学习输入向量的特征,经过多轮训练学习后得到具有识别能力的脉冲神经网络。4.根据权利要求3基于类脑学习的图像识别方法,其特征在于,所述步骤2.1,两层脉冲神经网络中,前一层为输入层,接受脉冲时序数据输入,后一层为输出层,将最先激发的神经元作为响应类别;所述脉冲时序编码的方法为ROC方法。5.根据权利要求3基于类脑学习的图像识别方法,其特征在于,所述步骤2.2具体包括以下步骤:步骤2.2.1:脉冲神经网络通过类脑学习算子调整权值进行更新,类脑学习算子通过选择动作a
t
来实现权值调整,a
t
∈A={
‑
α
s
,0,α
s
},0<α
s
<1,其中,α
s
表示学习率,权值变化公式为公式1:其中,表示突触前一层的第i个神经元和突触后一层第j个神经元相连的突触k的权值;和分别为变化后和变化前的值;步骤2.2.2:类脑学习算子通过奖励指导脉冲神经网络学习图片特征,奖励是根据前两个时间步的训练损失的变化来定义的,两个时间步中损失函数减少得到奖励,反之得到惩罚,定义为公式2:
其中,R
t
表示奖励,sign(x)函数表示符号函数,即x>0,sign(x)=1,x<0,sign(x)=
‑
1,L
t
‑1、L
t
分别表示t时刻和t
‑
1时刻的训练损失;步骤2.2.3:在脉冲神经网络学习完图片特征后,需要验证脉冲神经网络的识别能力,通过输出层最先激活的神经元序号和图片的标签进行对比,若一致则表示网络已经学习到一张图片的特征,需要更多不同图片多次训练达到更好的效果;若不一致则进行下一步骤;步骤2.2.4:通过策略加速类脑学习算子进行...
【专利技术属性】
技术研发人员:杨旭,王淼,毛思扬,雷云霖,杨君涵,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:
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。