一种基于脉冲神经网络和记忆模型的目标分类框架和方法技术

本申请公开了一种基于脉冲神经网络和记忆模型的目标分类框架及方法，首先，构建基于脉冲神经网络和记忆模型的目标分类框架，包括脉冲神经网络、记忆模型；其次，通过脉冲神经网络提取目标特征；然后，从最上层检索记忆模型，找到匹配度最高的节点，再以同样的方式检索以匹配度最高的子树，直至找到最匹配的叶子节点；最匹配的叶子节点即为目标的所述分类；最后，当有新的目标需要分类时，将该类目标的特征作为叶子节点插入到记忆模型中，并更新上层的节点状态。本申请将信息处理和记忆功能分离，分别用脉冲神经网络和记忆模型实现信息处理和记忆的功能，能够方便的实现动态添加分类目标。目标。目标。

【技术实现步骤摘要】
一种基于脉冲神经网络和记忆模型的目标分类框架和方法


[0001]本专利技术属于目标分类方法
，特别是涉及一种基于脉冲神经网络和记忆模型的目标分类框架和方法。

技术介绍

[0002]深度学习技术在目标分类中取得了很好的成绩，甚至超越了人类。但是，现有的神经网络模型多为端到端的模型，当用新的数据训练神经网络添加新目标时，会导致原有的目标分类性能大幅下降，即所谓的记忆坍塌现象。而人类的大脑包括信息处理、记忆等不同的区域，新的记忆不会影响信息处理模块的功能，因此没有记忆坍塌现象。本专利技术借鉴人类大脑信息处理和记忆分离的结构，通过脉冲神经网络和记忆模型分别实现信息处理和记忆的功能，能够方便的添加新的分类目标。

技术实现思路

[0003]本专利技术目的在于解决现有的神经网络模型用新的数据训练神经网络添加新目标时，会导致原有的目标分类性能大幅下降，即所谓的记忆坍塌现象的问题。
[0004]为了实现本专利技术目的，本专利技术公开了一种基于脉冲神经网络和记忆模型的目标分类方法，包括以下步骤：
[0005]步骤1、构建基于脉冲神经网络和记忆模型的目标分类框架，包括脉冲神经网络、记忆模型；所述脉冲神经网络包含输入层、隐含层和输出层多层神经元，用于目标特征的提取；所述记忆模型为树状的分层结构，每一层代表不同的抽象层次，叶子节点为具体的目标特征，用于存储目标特征和检索匹配；
[0006]步骤2、通过脉冲神经网络提取目标特征；
[0007]步骤3、从最上层检索记忆模型，找到匹配度最高的节点，再以同样的方式检索以匹配度最高的子树，直至找到最匹配的叶子节点；
[0008]步骤4、最匹配的叶子节点即为目标的所述分类；
[0009]步骤5、当有新的目标需要分类时，将该类目标的特征作为叶子节点插入到记忆模型中，并更新上层的节点状态。
[0010]进一步地，基于脉冲神经网络和记忆模型的目标分类框架构建方法具体为：首先，构建脉冲神经网络，并采用已有的训练方法训练脉冲神经网络模型；然后，使用训练的脉冲神经网络提取一组典型目标的特征；最后，用提取的典型目标特征构建记忆模型。
[0011]进一步地，构建脉冲神经网络，并采用已有的训练方法训练脉冲神经网络模型，经训练的脉冲神经网络模型能够使从输入层输入的不同目标激活输出层不同区域的神经元。
[0012]进一步地，使用训练的脉冲神经网络提取一组典型目标的特征，目标特征为脉冲神经网络输出层被激活的神经元。
[0013]进一步地，用提取的典型目标特征构建记忆模型具体为：首先，用提取的典型目标特征作为叶子节点；然后，按类型将叶子节点分组，提取同一组中叶子节点的共同特征，作
为上一层节点；最后，依次提取每层节点的共同特征，作为上一层节点。
[0014]进一步地，基于脉冲神经网络和记忆模型的目标分类框架更新方法具体为：首先，使用新样本继续训练脉冲神经网络模型；然后，提取典型目标的特征；接着，将典型目标的特征作为叶子节点插入记忆模型中；最后，更新上层节点。
[0015]为了实现本专利技术的目的，本专利技术还公开了一种基于脉冲神经网络和记忆模型的目标分类框架，包括脉冲神经网络和记忆模型。
[0016]与现有技术相比，本专利技术的显著进步在于：借鉴人类大脑分区结构，将信息处理和记忆功能分离，分别用脉冲神经网络和记忆模型实现信息处理和记忆的功能，能够方便的实现动态添加分类目标。
[0017]为更清楚说明本专利技术的功能特性以及结构参数，下面结合附图及具体实施方式进一步说明。
附图说明
[0018]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0019]图1为框架构建和推理流程图；
[0020]图2为脉冲神经网络模型图；
[0021]图3为记忆模型图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]一种基于脉冲神经网络和记忆模型的目标分类框架和方法包括脉冲神经网络、记忆模型、框架构建方法、框架更新方法和目标分类方法，其中脉冲神经网络实现目标特征的提取，记忆模型存储已有目标的特征。脉冲神经网络包含输入层、隐含层和输出层等多层神经元，用于目标特征的提取。记忆模型为树状的分层结构，每一层代表不同的抽象层次，叶子节点为具体的目标特征，用于存储目标特征和检索匹配。
[0024]如图1所示，目标分类框架构建方法包含如下步骤：(1)构建脉冲神经网络并采用已有的训练方法(如STDP)训练脉冲神经网络模型；(2)用训练的脉冲神经网络提取一组典型目标的特征；(3)用提取的典型目标特征构建记忆模型。
[0025]如图1所示，框架更新方法包含如下步骤：(1)使用新样本继续训练神经网络模型；(2)提取典型目标的特征；(3)将典型目标的特征作为叶子节点插入记忆模型中；(4)更新上层节点。
[0026]如图1所示，目标分类方法包含如下步骤：(1)提取目标特征；(2)从最上层检索记忆模型，找到匹配度最高的节点，再以同样的方式检索以匹配度最高的子树，直至找到最匹配的叶子节点；(3)最匹配的叶子节点即为目标的所述分类。
[0027]如图2所示，神经网络模型包括输入层、隐含层和输出层，输出层被激活的神经元
为目标特征。构建脉冲神经网络并采用已有的训练方法(如STDP)训练脉冲神经网络模型，经训练的脉冲神经网络模型能够使从输入层输入的不同目标激活输出层不同区域的神经元。
[0028]如图3所示，记忆模型为一棵分层的树状结构，记忆模型构建方法包括如下步骤：(1)用提取的典型目标特征作为叶子节点，比如鸡、狗、虎等目标的特征；(2)按类型将叶子节点分组，提取同一组中叶子节点的共同特征，作为上一层节点，比如将鸡和鸭的共同特征抽象为家禽的特征；(3)依次提取每层节点的共同特征，作为上一层节点，比如将家禽、家畜和野兽的共同特征抽象为动物的特征。
[0029]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0030]尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脉冲神经网络和记忆模型的目标分类方法，其特征在于，包括以下步骤：步骤1、构建基于脉冲神经网络和记忆模型的目标分类框架，包括脉冲神经网络、记忆模型；所述脉冲神经网络包含输入层、隐含层和输出层多层神经元，用于目标特征的提取；所述记忆模型为树状的分层结构，每一层代表不同的抽象层次，叶子节点为具体的目标特征，用于存储目标特征和检索匹配；步骤2、通过脉冲神经网络提取目标特征；步骤3、从最上层检索记忆模型，找到匹配度最高的节点，再以同样的方式检索以匹配度最高的子树，直至找到最匹配的叶子节点；步骤4、最匹配的叶子节点即为目标的所述分类；步骤5、当有新的目标需要分类时，将该类目标的特征作为叶子节点插入到记忆模型中，并更新上层的节点状态。2.根据权利要求1所述的一种基于脉冲神经网络和记忆模型的目标分类方法，其特征在于，基于脉冲神经网络和记忆模型的目标分类框架构建方法具体为：首先，构建脉冲神经网络，并采用已有的训练方法训练脉冲神经网络模型；然后，使用训练的脉冲神经网络提取一组典型目标的特征；最后，用提取的典型目标特征构建记忆模型。3.根据权利要求2所述的一种基于脉冲神经网络和记忆模型的目标分类方法，其特征在于，构建脉冲神经网络，并采用已有的训练...

【专利技术属性】
技术研发人员：殷进勇，王宏辉，杨建，张鹏，祁德昊，蔡涛，邓超，马金伟，赵德伟，
申请(专利权)人：中国船舶集团有限公司第七一六研究所，
类型：发明
国别省市：