【技术实现步骤摘要】
本专利技术属于人工智能与类脑计算领域，具体涉及一种基于脉冲神经网络的时序信号分类模型构建方法及系统。
技术介绍
1、随着通信技术的发展和通信数据量的急剧增长，对信息的自动化监测和识别也成为一个热点，特别是针对时间序列信号的识别问题，具有广阔的应用前景。目前，对于时间序列信号的识别方法大致可分为两类：基于信号时域和频域特征提取的模式识别方法和基于深度学习的方法。然而，前者的特征空间依赖于人工选择，且信号的处理与分类分开进行，效率低下、实时性差；后者利用深度神经网络强大的特征提取能力，相比之下分类效果和泛化性更高，但与准确率一同增长的网络规模和计算量也使硬件资源开销和功耗大大增加。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种基于脉冲神经网络的时序信号分类方法及系统，利用脉冲神经元的特性、液体状态机的时间序列处理能力和前馈分类网络的模式识别能力，实现端到端的自动化时序信号分类。
2、为了实现上述目的，本专利技术采用的技术方案是：一种基于脉冲神经网络的时序信号分类模型构建方法，包括以下步骤：
3、构建网络模型的整体框架，网络模型由脉冲神经元构成，包括输入模块、液体状态机模块、前馈分类脉冲神经网络模块；
4、设置液体状态机模块内部的脉冲神经元参数；设置液体状态机模块内部的突触连接，使液体状态机模块达到兴奋与抑制状态相互平衡的临界态；设置前馈分类脉冲神经网络的结构，前馈分类脉冲神经网络采用分层的snn模型；
5、优化网络模
6、进一步的，网络模型整体框架中：
7、输入模块用于根据输入需求进行任意维度时序信号配置多维输入，输入模块与液体状态机模块的兴奋性神经元相按照设定比例连接，输入模块仅与液体状态机的兴奋性神经元相连接；
8、液体状态机模块用于对时序信号进行编码得到脉冲序列并提取时序特征；液体状态机模块为递归型脉冲神经网络，由兴奋性脉冲神经元和抑制性脉冲神经元共同组成，兴奋性脉冲神经元和抑制性脉冲神经元按照m1:m2的比例设置，m1>m2，兴奋性脉冲神经元内部有递归的突触连接，兴奋性脉冲神经元与抑制性脉冲神经元之间有双向的突触连接，抑制性脉冲神经元内部不存在递归的突触连接；液体状态机模块中的每个神经元都处于激活状态，且激活程度在设定范围内；
9、前馈分类脉冲神经网络由卷积层、降采样层和全连接层组合而成，每一层内的神经元功能相同并且相互独立。
10、进一步的，设置液体状态机模块内部的脉冲神经元参数时：脉冲神经元包括兴奋性和抑制性两大类神经元，并且神经元模型为能配置多种不同类型脉冲神经元模型，神经元模型的参数多元可配置；
11、多种不同类型脉冲神经元模型包括hodgkin-huxley神经元模型、漏电的累积发放神经元模型、izhikevich神经元模型以及脉冲响应模型。
12、进一步的，针对液体状态机模块采用类脑以脉冲时序依赖可塑性规则为基础的优化方法实现突触的学习，使液体状态机达到兴奋与抑制状态相互平衡的临界态时，
13、兴奋与抑制状态相互平衡的临界态需满足以下两条标准中的任意一条，一是兴奋性脉冲神经元释放的脉冲数量与对应权重的加权求和与抑制性脉冲神经元释放的脉冲数量与对应权重的加权求和结果的差值小于阈值∈；二是一段时间内液体状态机模块接收到的输入时间序列信息与液体状态机模块对外输出的脉冲序列信息的信息熵之差小于阈值∈。
14、进一步的，前馈分类脉冲神经网络由多个卷积层、降采样层和全连接层组成，各层神经元均由脉冲神经元构成，前馈分类脉冲神经网络的输入为液体状态机模块中兴奋性脉冲神经元所输出的脉冲序列，液体状态机模块完成时序信号的脉冲编码以及时序特征提取后，以脉冲序列的形式输入给前馈分类脉冲神经网络，由前馈分类脉冲神经网络进行空间特征提取，由网络自动完成时序信号分类。
15、进一步的，训练网络，优化权重连接参数，获得时序信号的分类网络模型包括：对前馈分类脉冲神经网络采用脉冲时序依赖可塑性规则或替代梯度的误差反向传播方法；
16、将输入至液体状态机的连接和液体状态机内部的连接权重冻结，采用脉冲时序依赖可塑性规则或替代梯度的误差反向传播方法进行网络优化，优化lsm输出端的连接和前馈分类网络内部连接的权重，得到时序信号的分类网络模型。
17、基于相同的技术构思，本专利技术提供一种基于脉冲神经网络的时序信号分类模型构建系统，包括网络结构构建模块、网络参数预设模块以及训练模块；
18、网络结构构建模块用于构建网络模型的整体框架，其中，网络模型由脉冲神经元构成，包括输入模块、液体状态机模块、前馈分类脉冲神经网络模块；
19、网络参数预设模块用于设置液体状态机模块内部的脉冲神经元参数；设置液体状态机模块内部的突触连接，使液体状态机模块达到兴奋与抑制状态相互平衡的临界态；设置前馈分类脉冲神经网络的结构，前馈分类脉冲神经网络采用分层的snn模型；
20、训练模块用于优化网络模型内部权重连接参数，获得时序信号的分类网络模型。
21、基于以上技术方案，本专利技术还提供一种基于脉冲神经网络的时序信号分类方法，包括以下步骤：将获取通道数为n、长度为k的时间序列的信号，经过一个端到端的分类网络模型输出该信号所对应的分类；端到端的分类网络模型为所述基于脉冲神经网络的时序信号分类模型构建方法所得。
22、本专利技术还提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或者全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本专利技术所述的基于脉冲神经网络的时序信号分类模型构建方法或基于脉冲神经网络的时序信号分类方法。
23、同时提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本专利技术所述的基于脉冲神经网络的时序信号分类模型构建方法或基于脉冲神经网络的时序信号分类方法。
24、与现有技术相比，本专利技术至少具有以下有益效果：
25、本专利技术提供的基于脉冲神经网络的时序信号分类模型构建方法，模型中全部采用脉冲神经元，高效表示和处理时间序列信息，设计临界态的液体状态机和前馈分类网络的结构，对信号进行处理，训练网络，实现端到端的自动化时序信号分类，是一种生物可解释性强的模型，模型中的脉冲神经元、临界态液体状态机以及所采取的网络优化方式均可在神经生物学中找到相应的实验证据，且可在dynap-se、brainscales、天机芯等类脑硬件平台上部署，实现轻量级、低能耗、高速度的计算。
本文档来自技高网...【技术保护点】
1.一种基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，网络模型整体框架中：
3.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，设置液体状态机模块内部的脉冲神经元参数时：脉冲神经元包括兴奋性和抑制性两大类神经元，并且神经元模型为能配置多种不同类型脉冲神经元模型，神经元模型的参数多元可配置；
4.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，针对液体状态机模块采用类脑以脉冲时序依赖可塑性规则为基础的优化方法实现突触的学习，使液体状态机达到兴奋与抑制状态相互平衡的临界态时，
5.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，前馈分类脉冲神经网络由多个卷积层、降采样层和全连接层组成，各层神经元均由脉冲神经元构成，前馈分类脉冲神经网络的输入为液体状态机模块中兴奋性脉冲神经元所输出的脉冲序列，液体状态机模块完成时序信号的脉冲编码以及时序特征提取后，以脉冲序列的形式输入给前馈分
6.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，训练网络，优化权重连接参数，获得时序信号的分类网络模型包括：对前馈分类脉冲神经网络采用脉冲时序依赖可塑性规则或替代梯度的误差反向传播方法；
7.一种基于脉冲神经网络的时序信号分类模型构建系统，其特征在于，包括网络结构构建模块、网络参数预设模块以及训练模块；
8.一种基于脉冲神经网络的时序信号分类方法，其特征在于，包括以下步骤：将获取通道数为n、长度为k的时间序列的信号，经过一个端到端的分类网络模型输出该信号所对应的分类；端到端的分类网络模型为权利要求1-6任一项所述基于脉冲神经网络的时序信号分类模型构建方法所得。
9.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或者全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1-6任一项所述的基于脉冲神经网络的时序信号分类模型构建方法或权利要求7所述基于脉冲神经网络的时序信号分类方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现权利要求1-6任一项所述的基于脉冲神经网络的时序信号分类模型构建方法或权利要求7所述基于脉冲神经网络的时序信号分类方法。
...【技术特征摘要】
1.一种基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，网络模型整体框架中：
3.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，设置液体状态机模块内部的脉冲神经元参数时：脉冲神经元包括兴奋性和抑制性两大类神经元，并且神经元模型为能配置多种不同类型脉冲神经元模型，神经元模型的参数多元可配置；
4.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，针对液体状态机模块采用类脑以脉冲时序依赖可塑性规则为基础的优化方法实现突触的学习，使液体状态机达到兴奋与抑制状态相互平衡的临界态时，
5.根据权利要求1基于脉冲神经网络的时序信号分类模型构建方法，其特征在于，前馈分类脉冲神经网络由多个卷积层、降采样层和全连接层组成，各层神经元均由脉冲神经元构成，前馈分类脉冲神经网络的输入为液体状态机模块中兴奋性脉冲神经元所输出的脉冲序列，液体状态机模块完成时序信号的脉冲编码以及时序特征提取后，以脉冲序列的形式输入给前馈分类脉冲神经网络，由前馈分类脉冲神经网络进行空间特征提取，由网络自动完成时序信号分类。
6.根据权利要求1基于脉冲神经网络的时序信号分类...
【专利技术属性】
技术研发人员：马永强，刘奥洋，黄立威，张雪涛，任鹏举，陈霸东，郑南宁，
申请(专利权)人：西安交通大学，
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。