[發(fā)明專利]一種基于DW-Tempotron算法的圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110676198.5
• 申請(qǐng)日: 2021-06-18
• 公開（公告）號(hào): CN113408612B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 李建平;萇澤宇;高源;肖飛
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06N3/049;G06N3/063;G06N3/08
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 李林合

本發(fā)明公開了一種基于DW?Tempotron算法的圖像分類方法，其包括以下步驟：在Tempotron算法的基礎(chǔ)上獲取DW?Tempotron算法；初始化DW?Tempotron算法的參數(shù)；獲取突觸后神經(jīng)元分別在+模式下的膜電壓和?模式下的膜電壓；進(jìn)行訓(xùn)練并更新延遲和突觸權(quán)重；判斷訓(xùn)練輪次是否達(dá)到迭代次數(shù)，若是則采用當(dāng)前DW?Tempotron算法進(jìn)行圖像分類；否則繼續(xù)訓(xùn)練。本方法通過對(duì)輸入脈沖的時(shí)間進(jìn)行調(diào)整進(jìn)而直接去影響突觸后神經(jīng)元的點(diǎn)火時(shí)間從而提高了學(xué)習(xí)效率，本方法提出的DW?Tempotron算法相比傳統(tǒng)的Tempotron算法具有更高的學(xué)習(xí)效率和準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分類領(lǐng)域，具體涉及一種基于DW-Tempotron算法的圖像分類方法。

背景技術(shù)

在監(jiān)督學(xué)習(xí)方面，按照學(xué)習(xí)機(jī)制可將Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分為膜電壓驅(qū)動(dòng)和脈沖驅(qū)動(dòng)兩大類。所謂膜電壓驅(qū)動(dòng)，就是以某一時(shí)刻實(shí)際膜電壓與目標(biāo)膜電壓的差值為誤差來調(diào)整權(quán)重；同理脈沖驅(qū)動(dòng)是以實(shí)際脈沖激發(fā)時(shí)刻與目標(biāo)脈沖激發(fā)時(shí)刻的時(shí)間差為誤差來調(diào)整權(quán)重的。膜電壓驅(qū)動(dòng)算法中數(shù)Tempotron學(xué)習(xí)算法最為經(jīng)典，它是一個(gè)兩層網(wǎng)絡(luò)學(xué)習(xí)算法，其用梯度下降方法使應(yīng)點(diǎn)火的神經(jīng)元最大膜電壓超過閾值；不應(yīng)點(diǎn)火的最大膜電壓低過閾值。

另外，眾所周知，抗噪能力即魯棒性對(duì)一個(gè)算法也是至關(guān)重要的，好的魯棒性是一個(gè)算法得到大面積應(yīng)用的重要前提。我們所處的環(huán)境中處處存在噪聲，大腦也不例外，但這并未對(duì)其產(chǎn)生太大影響，大腦仍可以精準(zhǔn)高效地處理信息，然而目前科學(xué)還無法對(duì)大腦的這種特性做出解釋。Spiking神經(jīng)網(wǎng)絡(luò)在實(shí)際場(chǎng)景應(yīng)用時(shí)，毋庸置疑會(huì)受到噪聲的影響，但目前大多數(shù)學(xué)習(xí)算法都是在無噪聲的理想環(huán)境下進(jìn)行訓(xùn)練學(xué)習(xí)的，并未將噪聲考慮在內(nèi)，這與Spiking神經(jīng)網(wǎng)絡(luò)處于初級(jí)發(fā)展階段不無關(guān)系。

目前一種解決方案是在將噪聲加入到訓(xùn)練數(shù)據(jù)中然后再對(duì)神經(jīng)元進(jìn)行訓(xùn)練，以此來提升抗噪能力。不過這種方法只對(duì)訓(xùn)練時(shí)使用的噪聲表現(xiàn)出較好的效果，對(duì)其他噪聲的干擾則無能為力。近來一種被稱為膜電位相關(guān)塑性的新型可塑性規(guī)則被提出，該規(guī)則允許膜電壓無論是在訓(xùn)練進(jìn)行中或完成后，都可以在遇到噪聲時(shí)進(jìn)行記憶恢復(fù)，但這種機(jī)制效率較低并且膜電壓恢復(fù)效果并不理想，還有待進(jìn)一步提高。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于DW-Tempotron算法的圖像分類方法解決了現(xiàn)有Tempotron算法在進(jìn)行圖像分類時(shí)學(xué)習(xí)效率不高的問題。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

提供一種基于DW-Tempotron算法的圖像分類方法，其包括以下步驟：

S1、構(gòu)建Tempotron算法；

S2、在Tempotron算法中的突觸施加延遲，得到DW-Tempotron算法；其中DW-Tempotron算法中的LIF模型為：

其中V(t)為LIF模型突觸后神經(jīng)元膜電壓；ω_i為第i個(gè)突觸的權(quán)重；K(·)為核函數(shù)，表示每個(gè)傳入spike對(duì)突觸后神經(jīng)元膜電壓所做出的貢獻(xiàn)；t為期望點(diǎn)火時(shí)間，t_i為第i個(gè)突觸前神經(jīng)元的spike輸入時(shí)間；d_i為施加的延遲；V_rest為靜息電位；τ為突觸后膜積分時(shí)間常數(shù)；τ_s為突觸電流衰減時(shí)間常數(shù)；V₀為對(duì)膜電壓標(biāo)準(zhǔn)化的因子；

S3、初始化DW-Tempotron算法的參數(shù)；初始化的參數(shù)包括輸入脈沖時(shí)間、突觸權(quán)重、點(diǎn)火閾值、延遲、學(xué)習(xí)率、突觸后膜積分時(shí)間常數(shù)、突觸電流衰減時(shí)間常數(shù)和迭代次數(shù)；

S4、分別獲取當(dāng)前DW-Tempotron算法中LIF模型的突觸后神經(jīng)元分別在+模式下的膜電壓和-模式下的膜電壓；