【技术实现步骤摘要】
本公开涉及人工智能领域，尤其涉及一种时域信号处理方法及装置、介质。
技术介绍
1、在面向人工通用智能的探索的过程中，类脑计算受到广泛的关注。类脑计算是指借鉴模仿人脑的信息处理机制，从算法、硬件架构等多个层面打破冯·诺依曼计算框架。
2、类脑计算中的重要算法模型——脉冲神经网络(spiking neural networks，snn)被称作第三代神经网络。脉冲神经网络通过模仿人脑神经元及连接关系，拥有丰富的编码能力、多样的时空动力学机制以及事件驱动特性等特点，可以处理复杂的时空信息，并能够在神经形态硬件平台上有效部署，具有高速低功耗等优势。
3、目前，学界基于脉冲神经网络的前沿研究工作，主要采用整合-发放(integrate-and-fire，if)神经元模型或泄漏-整合-发放(leaky-integrate-and-fire，lif)神经元模型。if模型将加权后的突触输入进行直接加和后经过阈值函数，使神经元发生0/1脉冲，而lif模型在if模型的基础上加入了胞体膜电位衰减机制。这两类神经元模型在足够长的时间步下，能够通过频率编码得以拟合人工神经网络(artificial neural networks，ann)的实值激活函数，但其是一个较为简单的点神经元抽象模型，仅仅模拟人脑神经元在胞体部分的演化机制，缺乏处理多尺度时序信息的能力。而真实环境中的时序传感信号通常呈现多时间尺度、长时程、含噪等复杂特性，而现有脉冲神经网络模型难以处理多时间尺度信息，且存在计算效率低、泛化性和鲁棒性不足、难学习等缺陷，导致目前
技术实现思路
1、有鉴于此，本公开提出了一种时域信号处理方法及装置、介质，能够高效处理多时间尺度信息，有助于发展相匹配的高性能学习算法，提高其对多尺度时序信息的处理能力，在实际时序任务中获得高综合性能。
2、根据本公开的一方面，提供了一种时域信号处理方法，所述方法利用脉冲神经元模型进行信号处理，所述脉冲神经元模型包括时域异质性神经元层，所述时域异质性神经元层包括多个异质性神经元，各所述异质性神经元包括具有多个异质性树突分枝的胞体且各所述异质性树突分枝具有不同的第一时间因子，所述第一时间因子用于处理传递至所述异质性树突分枝的信号，各所述胞体具有不同的第二时间因子，所述第二时间因子用于处理传递至所述胞体的信号，所述方法包括：
3、将针对目标任务的待处理时域信号输入至所述时域异质性神经元层中的各所述异质性神经元，所述待处理时域信号包括多个待处理信号，不同待处理信号具有不同的时间尺度信息；
4、在各所述异质性神经元处：各所述异质性树突分枝基于不同的第一时间因子对输入的待处理信号进行处理得到第一输出值并发送至所述胞体，所述胞体基于所述第二时间因子对来自各所述异质性树突分枝的多个第一输出值进行处理得到脉冲输出结果；
5、基于各所述异质性神经元的脉冲输出结果确定出针对所述目标任务的目标结果。
6、这样，利用基于稀疏树状拓扑结构及树突和胞体动力学特性所构建的新型脑启发脉冲神经元模型能够高效处理多时间尺度信息，有助于发展相匹配的高性能学习算法，提高其对多尺度时序信息的处理能力，在实际时序任务中获得高综合性能。
7、在一种可能的实现方式中，在所述脉冲神经元模型包括多个时域异质性神经元层的情况下，以前一个时域异质性神经元层的各异质性神经元得到的脉冲输出结果作为下一个时域异质性神经元层的输入，使得所述下一个时域异质性神经元层的各异质性神经元均接收到各所述脉冲输出结果；所述基于各所述异质性神经元的脉冲输出结果确定出针对所述目标任务的目标结果，包括：基于最后一个时域异质性神经元层的各异质性神经元得到的脉冲输出结果确定出所述目标结果。
8、这样，通过具有多个时域异质性神经元层的脉冲神经元模型进行时域信号处理，能够更好地处理具有复杂频域的多尺度时间信息，获得更高的准确率、更好的鲁棒性和泛化性。
9、在一种可能的实现方式中，所述脉冲神经元模型还包括输入层和输出层；所述输入层用于划分所述待处理时域信号得到所述多个待处理信号，所述输入层与所述时域异质性神经元层之间设有多个第一通道，使得各所述待处理信号通过不同的第一通道传递至所述时域异质性神经元的各所述异质性树突分枝；所述输出层与所述时域异质性神经元层之间设有多个第二通道，使得各所述异质性神经元的脉冲输出结果通过不同的第二通道传递至所述输出层，所述输出层用于基于各所述异质性神经元的脉冲输出结果确定出所述目标结果。
10、这样，不仅实现对高维信号的降维处理，还有助于将待处理时域信号通过第一通道传递至时域异质性神经元层进行信号处理，并且，通过第二通道将时域异质性神经元层的输出即脉冲输出结果传递至输出层，能够得到与目标任务对应的目标结果，实现对待处理时域信号的处理。
11、在一种可能的实现方式中，所述各所述异质性树突分枝基于不同的第一时间因子对输入的待处理信号进行处理得到第一输出值并发送至所述胞体，包括：在各所述异质性树突分枝处：所述异质性树突分枝基于对应的第一时间因子对输入的待处理信号进行处理得到当前时间下的第二输出值，并基于所述第一时间因子对该异质性树突分枝得到的上一时间下的第二输出值进行处理得到第三输出值，以所述当前时间下的第二输出值与所述第三输出值之和作为所述第一输出值。
12、这样，基于树突动力学特性构建脉冲神经元模型，该模型中的各异质性神经元为具有异质性树突结构的复杂神经元，各异质性树突分枝具有不同的第一时间因子，用于处理不同频率的信息，利用这样的脉冲神经元模型可以更好地处理具有复杂频域的多尺度时间信息，可以在多项时间信息处理的实际任务中获得更高的准确率、更好的鲁棒性和泛化性。
13、在一种可能的实现方式中，所述胞体基于所述第二时间因子对来自各所述异质性树突分枝的多个第一输出值进行处理得到脉冲输出结果，包括：所述胞体基于对应的第二时间因子对来自各所述异质性树突分枝的多个第一输出值进行处理得到当前时间下的第四输出值，并基于所述第二时间因子对该胞体得到的上一时间下的第四输出值进行处理得到第五输出值，以所述当前时间下的第四输出值与所述第五输出值之和作为当前时间下的第四输出值；基于当前时间下的第四输出值和预设阈值确定出所述脉冲输出结果。
14、这样，基于胞体动力学特性构建脉冲神经元模型，该模型中的各异质性神经元可具有不同的第二时间因子，用于处理各异质性树突分枝传递来的信息，利用这样的脉冲神经元模型可以更好地处理具有复杂频域的多尺度时间信息，可以在多项时间信息处理的实际任务中获得更高的准确率、更好的鲁棒性和泛化性。
15、在一种可能的实现方式中，所述时域异质性神经元层还包括反馈通道，使得所述胞体得到的上一时间下的脉冲输出结果通过所述反馈通道传递至所述异质性树突分枝。
16、这样，为脉冲神经元模型增加反馈通道，能够进一步增强脉冲神经元本文档来自技高网...
【技术保护点】
1.一种时域信号处理方法，其特征在于，所述方法利用脉冲神经元模型进行信号处理，所述脉冲神经元模型包括时域异质性神经元层，所述时域异质性神经元层包括多个异质性神经元，各所述异质性神经元包括具有多个异质性树突分枝的胞体且各所述异质性树突分枝具有不同的第一时间因子，所述第一时间因子用于处理传递至所述异质性树突分枝的信号，各所述胞体具有不同的第二时间因子，所述第二时间因子用于处理传递至所述胞体的信号，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述脉冲神经元模型包括多个时域异质性神经元层的情况下，以前一个时域异质性神经元层的各异质性神经元得到的脉冲输出结果作为下一个时域异质性神经元层的输入，使得所述下一个时域异质性神经元层的各异质性神经元均接收到各所述脉冲输出结果；
3.根据权利要求1所述的方法，其特征在于，所述脉冲神经元模型还包括输入层和输出层；
4.根据权利要求1所述的方法，其特征在于，所述各所述异质性树突分枝基于不同的第一时间因子对输入的待处理信号进行处理得到第一输出值并发送至所述胞体，包括：
5.根据权利要求1所述的
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述时域异质性神经元层还包括反馈通道，使得所述胞体得到的上一时间下的脉冲输出结果通过所述反馈通道传递至所述异质性树突分枝。
7.根据权利要求1所述的方法，其特征在于，所述目标任务包括以下任意一项：图像处理任务、脑电信号处理任务、语音信号处理任务。
8.一种时域信号处理装置，其特征在于，所述装置利用脉冲神经元模型进行信号处理，所述脉冲神经元模型包括时域异质性神经元层，所述时域异质性神经元层包括多个异质性神经元，各所述异质性神经元包括具有多个异质性树突分枝的胞体且各所述异质性树突分枝具有不同的第一时间因子，所述第一时间因子用于处理传递至所述异质性树突分枝的信号，各所述胞体具有不同的第二时间因子，所述第二时间因子用于处理传递至所述胞体的信号，所述装置包括：
9.一种时域信号处理装置，其特征在于，包括：
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种时域信号处理方法，其特征在于，所述方法利用脉冲神经元模型进行信号处理，所述脉冲神经元模型包括时域异质性神经元层，所述时域异质性神经元层包括多个异质性神经元，各所述异质性神经元包括具有多个异质性树突分枝的胞体且各所述异质性树突分枝具有不同的第一时间因子，所述第一时间因子用于处理传递至所述异质性树突分枝的信号，各所述胞体具有不同的第二时间因子，所述第二时间因子用于处理传递至所述胞体的信号，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述脉冲神经元模型包括多个时域异质性神经元层的情况下，以前一个时域异质性神经元层的各异质性神经元得到的脉冲输出结果作为下一个时域异质性神经元层的输入，使得所述下一个时域异质性神经元层的各异质性神经元均接收到各所述脉冲输出结果；
3.根据权利要求1所述的方法，其特征在于，所述脉冲神经元模型还包括输入层和输出层；
4.根据权利要求1所述的方法，其特征在于，所述各所述异质性树突分枝基于不同的第一时间因子对输入的待处理信号进行处理得到第一输出值并发送至所述胞体，包括：
5.根据权利要求1所述的方法，其特征在于，所述胞体基于所述第二时间因子对来...
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。