【技术实现步骤摘要】
本专利技术涉及一种脉冲神经网络的简化方法，特别涉及一种脉冲信号解析的脉冲神经网络简化方法。
技术介绍
1、脉冲神经网络被称作第三代神经网络，它使用脉冲信号传递信息，其基本单元是脉冲神经元，由输入、输出、阈值和脉冲发放机制组成。当输入信号超过阈值时，神经元会发出一个脉冲信号，这个信号会传递到其他神经元中，从而实现信息的传递和处理。脉冲神经网络是一种基于生物神经元行为的人工神经网络，其模拟神经元更加真实，且对时间信息高度敏感。传统的脉冲神经网络不能解释其推理过程和推理依据，属于一种黑箱模型，只可得到输出结果，但无法解释详细的过程。同时，功能越多的脉冲神经网络需要更多的参数和更长的训练时间来提高性能，导致目前脉冲神经网络的泛化和简化研究都面临瓶颈。
技术实现思路
1、本专利技术的目的是为了解决现有的脉冲神经网络的泛化和简化问题，而提出一种脉冲信号解析的脉冲神经网络简化方法。
2、上述目的通过以下的技术方案实现：
3、一种脉冲信号解析的脉冲神经网络简化方法，
4、所述方法通过以下步骤实现：
5、步骤一、网络初始化；
6、步骤二、利用训练数据集1训练网络；
7、步骤三、提取受训网络输入特征；
8、步骤四、利用主输入特征加权随机扰动参数矩阵优化网络；
9、步骤五、提取优化网络输出特征；
10、步骤六、利用主输出特征筛选神经元激发通路，提取被激发神经元的参数矩阵；
11、步骤七
12、步骤八、使用训练数据集2到训练数据集k依次训练网络，输出侧被激发神经元顺序排列；
13、步骤九、使用训练数据集1到训练数据集k依次输入网络，按输出侧神经元激发时序筛选相似神经元，进行通用性标记。
14、进一步地，步骤一所述的网络初始化具体是：
15、步骤一一、按时序计算分时脉冲叠加强度ein(t)，ein(t)＝∑ein(i)，i＝1,2…s；ein(i)为t时刻输入第i个输入神经元的脉冲能量，ein(t)为t时刻输入s个输入神经元的脉冲能量和，s为输入神经元的数量；
16、步骤一二、计算分时最大脉冲叠加强度ein，ein＝maxt1≤t≤t2e(t)；t1≤t≤t2表示从t1时刻到t2时刻的一段时间，ein为t1时刻到t2时刻间ein(t)的最大值；
17、步骤一三、将网络内所有神经元激发阈值设为ein。
18、进一步地，步骤二所述的利用训练数据集1训练网络具体是：
19、步骤二一、将训练数据集1按需要输入的通道号1…n划分成n个子集，每个子集按时序输入网络对应的输入神经元nin(n)中；其中，子集数量n与输入神经元的数量s的值相同；
20、步骤二二、按时序记录输出神经元nout(m)在t时刻的激发情况eout(t)＝{eout(1)，eout(2)，…，eout(m)}；m为输出神经元的数量，nout(t)为t时刻输出神经元nout(1)到nout(m)激发情况组成的数列。
21、进一步地，步骤三所述的提取受训网络输入特征具体是：
22、步骤三一、统计通道n的脉冲次数an，计算发生概率累计强度bn和平均强度∑a表示a1到an的脉冲次数和；
23、步骤三二、计算所有通道发生概率的最大公约数p，则各通道发生概率分别表述为
24、步骤三三、提取输入特征组为
25、进一步地，步骤四所述的利用主输入特征加权随机扰动参数优化网络具体是：
26、步骤四一、计算随机扰动参数e的扰动范围
27、步骤四二、建立随机扰动加权数组
28、步骤四三、利用随机扰动加权数组训练网络，对训练过程中激发神经元的阈值td，计算k为预先设定的优化系数。
29、进一步地，步骤五所述的提取优化网络输出特征具体是：
30、步骤五一、参照步骤二二，按时序记录输出神经元nout(m)的激发情况数组eout(t)＝{eout(1)，eout(2)，…，eout(m)}；
31、步骤五二、参照步骤三二和步骤三三，提取输出特征组为(p1，p2，…，pm)；pm为nout(m)的发生概率。
32、进一步地，步骤六所述的利用主输出特征筛选神经元激发通路，提取被激发神经元的参数矩阵具体为：
33、步骤六一、利用pca法提取输出特征的主特征，通过pca法对输出神经元进行主成分分析，分别计算每个输出神经元在网络输出神经元激发特征中的可解释性方差；先设定的一个百分比值，通过从高到低依次累加各输出神经元的可解释方差，当且仅当累加的可解释性方差和第一次超过预设百分比值时，确定被累加的可解释性方差所对应的输出神经元为网络输出特征的主特征输出神经元；
34、步骤六二、提取神经元矩阵当矩阵某元素没有对应任一神经元时常置0；
35、步骤六三、网络中所有未激发神经元置0，激发神经元置1。
36、进一步地，步骤七所述的利用激发神经元参数矩阵对网络进行基于主成分排序迁移具体是：
37、步骤七一、按从上至下的顺序，从nout(1)开始依次检查神经元的可解释性方差值，并按从大到小的顺序重新排列，再按从上至下的顺序依次调整相应的激发通路；
38、步骤七二、任一被激发中间神经元n(x，y)的输出侧神经元均未对其输出侧被激发的输出神经元发送脉冲，则该神经元n(x，y)被归类为非主输出特征的神经元，常置0。
39、进一步地，步骤八所述的使用训练数据集2到训练数据集n依次训练网络，输出侧被激发神经元顺序排列具体是：
40、步骤八一、使用另一训练数据集，参照步骤二至步骤七完成训练；
41、步骤八二、将输出神经元编号增加m，标记为nout(m+1)至nout(2m)；
42、步骤八三、重复步骤八一至步骤八二直到所有训练数据集都训练完毕。
43、进一步地，步骤九所述的使用训练数据集1到训练数据集k依次输入网络，按输出侧神经元激发时序筛选相似神经元，进行通用性标记具体是：
44、步骤九一、参照步骤二，将所有训练数据集依次输入网络；
45、步骤九二、参照步骤七，完成对全训练数据集的主成分排序。
46、本专利技术的有益效果为：
47、本专利技术能够简化脉冲神经网络的网络结构，提高网络的可解释性，泛化性和鲁棒性。本专利技术方法通过设计适用于脉冲神经网络的简化方法，以用于提高脉冲神经网络的性能。
48、具体技术手段是：
49、首先提取受训网络输入特征，利用主输入特征加权随机扰动参数矩阵优化网络。再提取优化网络输出特征，利用主输出特征筛选神经元激发通路，提取被激发神经元的参数矩阵。最后利用激发神经元参数矩阵对网络进行基于主成分排序迁移完成对脉冲神经网络的本文档来自技高网...
【技术保护点】
1.一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：所述方法通过以下步骤实现：
2.根据权利要求1所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤一所述的网络初始化具体是：
3.根据权利要求2所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤二所述的利用训练数据集1训练网络具体是：
4.根据权利要求3所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤三所述的提取受训网络输入特征具体是：
5.根据权利要求4所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤四所述的利用主输入特征加权随机扰动参数优化网络具体是：
6.根据权利要求5所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤五所述的提取优化网络输出特征具体是：
7.根据权利要求6所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤六所述的利用主输出特征筛选神经元激发通路，提取被激发神经元的参数矩阵具体为：
8.根据权利要求7所述的一种脉冲信号解析的脉冲神经网络简化方法，其
9.根据权利要求8所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤八所述的使用训练数据集2到训练数据集n依次训练网络，输出侧被激发神经元顺序排列具体是：
10.根据权利要求9所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤九所述的使用训练数据集1到训练数据集K依次输入网络，按输出侧神经元激发时序筛选相似神经元，进行通用性标记具体是：
...【技术特征摘要】
1.一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：所述方法通过以下步骤实现：
2.根据权利要求1所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤一所述的网络初始化具体是：
3.根据权利要求2所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤二所述的利用训练数据集1训练网络具体是：
4.根据权利要求3所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤三所述的提取受训网络输入特征具体是：
5.根据权利要求4所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤四所述的利用主输入特征加权随机扰动参数优化网络具体是：
6.根据权利要求5所述的一种脉冲信号解析的脉冲神经网络简化方法，其特征在于：步骤五所述的提取优化网络输出...
【专利技术属性】
技术研发人员：周丽丽，刘琦，张智超，朱明清，王刚，杜寅甫，郝明，
申请(专利权)人：黑龙江省科学院智能制造研究所，
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。