[發(fā)明專利]一種任務拆分式脈沖神經(jīng)網(wǎng)絡結構預測及網(wǎng)絡抗干擾方法

有效

• 申請?zhí)枺?/td>: 202010280453.X
• 申請日: 2020-04-10
• 公開（公告）號: CN111476367B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設計）人: 李凡;匡平;鄭庭穎;何明耘;徐翔
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/088
• 分類號: G06N3/088;G06N3/049;G06V10/82;G06V10/774;G06V10/764
• 代理公司: 北京眾合誠成知識產(chǎn)權代理有限公司 11246
• 代理人: 劉妮

1.一種任務拆分式脈沖神經(jīng)網(wǎng)絡結構預測及網(wǎng)絡抗干擾方法，其特征在于：所述的方法的包括以下步驟：

1)任務拆分式脈沖神經(jīng)網(wǎng)絡TEN的搭建；

2)TEN網(wǎng)絡配合權重圖像化比較WGC預測方案進行模型訓練；

3)對模型訓練得到的權重進行增強處理；

定義：Wⁿ表示具有n個興奮神經(jīng)元的網(wǎng)絡權重，表示該權重中索引下標[i,j)的權重過濾器群，θ為一組干擾操作的參數(shù)選取，A(W，θ)表示對權重W做一次參數(shù)為θ的隨機干擾添加的操作，其依次對每一個過濾器權重添加干擾，得到一組干擾后的權重，權重增強的具體流程為：

1)模型在標準訓練集上進行訓練，模型擁有n個神經(jīng)元，權重為Wⁿ；

2)設定一個增強權重的組數(shù)k，在網(wǎng)絡訓練結束后，搭建一個同結構的初始網(wǎng)絡，但神經(jīng)元個數(shù)為n×k，權重表示為W^kn；

3)選定干擾項，設定各干擾項初始化程度參數(shù)θ₀；

4)利用當前參數(shù)設定值θ₀對Wⁿ中每一個過濾器做一次隨機形變操作，即A(Wⁿ，θ⁰)，結果記為Wⁿ⁰，指定即將Wⁿ⁰拷貝到新網(wǎng)絡權重中索引0-n的過濾器權重中；

5)加大干擾程度記為θ₁，再做繼續(xù)加大程度重復該操作，直到此時新網(wǎng)絡的所有權重均來自于原始網(wǎng)絡權重的不同操作；

6)使用新網(wǎng)絡作為最終權重增強后的網(wǎng)絡，使用該網(wǎng)絡來進行干擾測試集的測試；

隨機噪聲、隨機裁切、隨機旋轉，隨機裁切即從原圖中選取一個隨機區(qū)域作為保留區(qū)域，其余區(qū)域剔除，并將保留區(qū)域擴大到原圖大小，干擾項的程度參數(shù)包括Sigma參數(shù)、Scale參數(shù)和Angle參數(shù)；Sigma參數(shù)為隨機噪聲的方差，值越大表示干擾程度越大，值為0表示無噪聲添加；Scale參數(shù)為隨機裁切的保留區(qū)域占全圖的比例，值越小代表干擾程度越大，值為1表示無裁切；Angle參數(shù)表示最大隨機旋轉角度，值越大表示干擾程度越大，值為0表示無旋轉。

2.根據(jù)權利要求1所述的一種任務拆分式脈沖神經(jīng)網(wǎng)絡結構預測及網(wǎng)絡抗干擾方法，其特征在于：所述的任務拆分式脈沖神經(jīng)網(wǎng)絡TEN搭建過程包括以下步驟：

1)預先設定興奮神經(jīng)元總數(shù)，記為N；

2)統(tǒng)計數(shù)據(jù)集中類別個數(shù)，記為M；

3)搭建M個結構相同的脈沖神經(jīng)網(wǎng)絡，每個網(wǎng)絡均擁有N/M個興奮神經(jīng)元，稱之為子網(wǎng)絡，每個子網(wǎng)絡內(nèi)抑制神經(jīng)元到興奮神經(jīng)元的單向抑制連接被稱為域內(nèi)抑制連接；

4)依次給所述子網(wǎng)絡編號：NI₀，NI₁，...，NI_M-1，用于訓練時的任務分配；

5)搭建域間抑制連接，每個子網(wǎng)絡內(nèi)的每個抑制神經(jīng)元均單向連接到其余所有子網(wǎng)絡的所有與興奮神經(jīng)元上，搭建完成后，所有子網(wǎng)絡組成一個TEN網(wǎng)絡。

3.根據(jù)權利要求1所述的一種任務拆分式脈沖神經(jīng)網(wǎng)絡結構預測及網(wǎng)絡抗干擾方法，其特征在于：所述TEN網(wǎng)絡配合權重圖像化比較WGC預測方案進行模型訓練具體流程步驟如下：

1)記錄訓練集樣本總數(shù)，記為NS；

2)初始化樣本編號j＝0，初始化更新周期數(shù)UI，映射函數(shù)固定為s(NI_i)＝i，其中NI_i表示第i個子網(wǎng)絡；

3)從訓練集中選取編號為j的樣本；

4)首先關閉網(wǎng)絡訓練，利用當前網(wǎng)絡狀態(tài)與映射函數(shù)s(*)預測該樣本，預測方法采用WGC，記錄預測結果；

5)預測后將該樣本輸入到網(wǎng)絡中進行學習，使用STDP規(guī)則更新網(wǎng)絡參數(shù)；

6)j＝j+1；

7)檢查是否j?mod?UI＝0，若是，輸出當前UI樣本的平均預測準確率作為訓練曲線描點；若否，則進行下一步；

8)檢查是否jNS，若是，則回到步驟3，若否則結束訓練。