[發(fā)明專利]一種基于脈沖神經(jīng)網(wǎng)絡的特征分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810936803.6
• 申請日: 2018-08-16
• 公開（公告）號: CN109102027A
• 公開（公告）日: 2018-12-28
• 發(fā)明（設計）人: 王上
• 申請（專利權(quán)）人: 王上
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京酷愛智慧知識產(chǎn)權(quán)代理有限公司 11514
• 代理人: 向霞

本發(fā)明提供的基于脈沖神經(jīng)網(wǎng)絡的特征分類方法，設置輸入層每個神經(jīng)元的輸入數(shù)據(jù)，所述輸入數(shù)據(jù)由本質(zhì)特征數(shù)據(jù)和量的數(shù)據(jù)組成，將輸入層的神經(jīng)元數(shù)據(jù)傳遞到到隱含層；隱含層通過對輸入的不同神經(jīng)元的數(shù)據(jù)組合進行計算得到隱含層的每個神經(jīng)元的輸出值，并將隱含層的輸出值傳遞到輸出層；輸出層將輸入層和隱含層的各個神經(jīng)元的輸出的量的數(shù)據(jù)進行對比計算，選擇并標注出最大值神經(jīng)元的數(shù)據(jù)作為分類結(jié)果。過對本質(zhì)特征的分類和量分類綜合后，可以不需要大量數(shù)據(jù)通過反向遞歸算法獲取權(quán)重值來分類事物，僅僅通過對輸出的最大值神經(jīng)元的比較查找來分類相同、相似的事物。該方法分類事務效率高，可延長輸入數(shù)據(jù)時間分類動作等特征，通用性強。

技術(shù)領域

本發(fā)明涉及神經(jīng)網(wǎng)絡模型技術(shù)領域，具體涉及一種基于脈沖神經(jīng)網(wǎng)絡的特征分類方法及系統(tǒng)。

背景技術(shù)

傳統(tǒng)神經(jīng)網(wǎng)絡算法學習生物神經(jīng)的結(jié)構(gòu)和閥值的分類作用，通過案例數(shù)據(jù)將結(jié)果與輸入通過強行修正的方式，達到神經(jīng)學習后的權(quán)重值從而達到分類的目的。其神經(jīng)網(wǎng)絡學習效率低，通過大量的修正學習可以作為專家系統(tǒng)進行一些判斷。傳統(tǒng)神經(jīng)網(wǎng)絡只能分類單幀或某一時段的圖像或聲音，無法對前后連貫的變化做出相應的分類。傳統(tǒng)神經(jīng)網(wǎng)絡結(jié)構(gòu)適應性較窄，占用大量運算資源，無法動態(tài)分類。

傳統(tǒng)神經(jīng)網(wǎng)絡和生物神經(jīng)網(wǎng)絡最重要差別在于，生物神經(jīng)網(wǎng)絡的權(quán)重變化不需要反算，不需要大量的相同數(shù)據(jù)分類簡單事物，神經(jīng)連接為非全域連接。例如小羚羊在出生一天內(nèi)就需要學會分辨地形、草叢同類等事物學會行走。小雞沒母雞的指導通過簡單嘗試便能分辨食物與石頭的區(qū)別。

目前神經(jīng)網(wǎng)絡特征分類的公式為y＝a1*w1+a2*w2+a3*w3-b，這個算法能分類所有特征甚至是想象或虛構(gòu)的東西，不管它是否存在內(nèi)在邏輯。但不能同時將其本質(zhì)特征和量進行分類。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供的基于脈沖神經(jīng)網(wǎng)絡的特征分類方法，通過對本質(zhì)特征的分類和量分類，可以不需要大量數(shù)據(jù)通過反向遞歸算法獲取權(quán)重值來分類事物，僅通過對輸出的最大值神經(jīng)元的比較查找來分類相同、相似的事物，分類事物效率高，通用性強。

第一方面，本發(fā)明實施例提供的一種基于脈沖神經(jīng)網(wǎng)絡的特征分類方法，設置輸入層每個神經(jīng)元的輸入數(shù)據(jù)，所述輸入數(shù)據(jù)由本質(zhì)特征數(shù)據(jù)和量的數(shù)據(jù)組成，將輸入層的神經(jīng)元數(shù)據(jù)傳遞到到隱含層；

隱含層通過對輸入的不同神經(jīng)元的數(shù)據(jù)組合進行計算得到隱含層的每個神經(jīng)元的輸出值，并將隱含層的輸出值傳遞到輸出層；

輸出層將輸入層和隱含層的各個神經(jīng)元的輸出的量的數(shù)據(jù)進行對比計算，選擇并標注出最大值神經(jīng)元的數(shù)據(jù)作為分類結(jié)果。

可選地，所述本質(zhì)特征數(shù)據(jù)為信號幅度，所述量的數(shù)據(jù)為信號頻率。

可選地，所述隱含層包括數(shù)據(jù)特征組合層和特征分類層，將輸入層的每個神經(jīng)元視為形成區(qū)域組合的基礎要素，所述數(shù)據(jù)特征組合層將不同位置的多個神經(jīng)元進行區(qū)域組合形成角、線、面、弧特征單元；所述特征分類層將所述不同的區(qū)域組合形成角、線、面、弧特征數(shù)據(jù)與設定的閥值進行對比，輸出區(qū)域組合位置的角、線、面、弧基礎特征。

可選地，所述隱含層還包括特征分類組合層和特征分類對比層；所述特征分類組合層將由多個區(qū)域組合位置的角、線、面、弧基礎特征形成不同圖形，所述特征分類對比層將形成不同圖形的基礎特征數(shù)據(jù)與設定的閥值進行對比，輸出組成不同圖形的特征神經(jīng)元的位置特征數(shù)據(jù)和量的數(shù)據(jù)。

可選地，所述隱含層還包括差分輸出層，所述差分輸出層將組成不同圖形的特征神經(jīng)元的位置特征數(shù)據(jù)和量的數(shù)據(jù)與鄰近的特征神經(jīng)元進行差分比較，輸出頻率不同的特征神經(jīng)元。