CN111310816B - 基于无监督匹配追踪编码的仿脑架构图像识别方法 - Google Patents
基于无监督匹配追踪编码的仿脑架构图像识别方法 Download PDFInfo
- Publication number
- CN111310816B CN111310816B CN202010083016.9A CN202010083016A CN111310816B CN 111310816 B CN111310816 B CN 111310816B CN 202010083016 A CN202010083016 A CN 202010083016A CN 111310816 B CN111310816 B CN 111310816B
- Authority
- CN
- China
- Prior art keywords
- neuron
- pulse
- time
- coding
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 88
- 230000004913 activation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 239000012528 membrane Substances 0.000 claims description 9
- 230000000946 synaptic effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 230000023886 lateral inhibition Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 210000005215 presynaptic neuron Anatomy 0.000 claims description 3
- 210000000225 synapse Anatomy 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000008859 change Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 210000004556 brain Anatomy 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开基于无监督匹配追踪编码的仿脑架构图像识别方法。将之与高效的多脉冲学习算法TDP相结合,提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。主要步骤为:对输入数据进行预处理;无监督匹配追踪时序编码;多脉冲学习。大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性,更加接近人脑处理外界信息的方式,为图像识别技术提供了新的技术思路。
Description
技术领域
本发明属于类脑计算、图像识别领域,尤其是有关提高基于时序编码的脉冲神经网络模型在图像识别上表现的技术,具体涉及一种基于无监督匹配追踪编码的仿脑架构图像识别方法。
背景技术
模式识别是人脑杰出认知能力的体现之一。例如,人类可以在很短的时间内区分不同的物体。科学实验表明神经元使用脉冲在大脑中传递和处理信息。因此,脉冲在高效的信息处理中起着至关重要的作用。受“脉冲”形式的启发,第三代神经网络,即脉冲神经网络(SNN),被开发来探索大脑中基于脉冲的信息处理过程。
然而,如何设计一个具有生物合理性并且高效可行的脉冲神经网络框架进行图像识别仍是一个艰难的任务。就采用的编码方案而言,之前的工作可以分为两大类:基于速率编码的和基于时序编码的SNN。速率编码使用发射频率来表示不同的信息。较高的发射速率会导致编码窗口内出现更多数量的脉冲。基于速率编码,近年来研究者开发了多种用于图像分类的SNN,并取得了良好的性能。然而,它们中的大多数都使用了复杂的网络结构和高密度的脉冲,这使得他们的计算形式与非脉冲神经网络相似。因此,它们的计算效率仍是一个亟需解决的问题。另一方面,时序编码使用精确的脉冲发射时间来传递信息。由于使用了时序结构,时序编码具有更高的信息表示能力和更好的计算效率。但是,如何设计一个有效的基于时序编码的SNN仍然是一个难题。在之前的研究中,研究者已经开发了几种不同的基于时序编码的SNN来进行图像识别,例如Restricted Boltzmann Machine,S1C1-SNN和CSNN。尽管这些方法可以将信息编码成稀疏的时序脉冲时空图,并且具有轻量的网络结构,但它们在准确性方面的表现相对较差。
发明内容
本发明首先提出了一种更加高效且具有生物可信度的无监督匹配追踪的时序编码方法,之后将之与高效的多脉冲学习算法TDP相结合,提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。我们的方法大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性,更加接近人脑处理外界信息的方式,为图像识别技术提供了新的技术思路。
本发明提出了一种基于无监督匹配追踪编码的仿脑架构图像识别方法。整个***主要包括以下三个部分:数据预处理、时序编码和多脉冲学习。具体的技术方案如下:
步骤一,对输入数据进行预处理:
将图像转换成灰度图像,然后对图像进行归一化处理。
步骤二,对图像进行时序编码:
首先,计算编码神经元的激活值:
然后,选择具有最强激活水平的神经元发射脉冲,同时发送侧向抑制到其他的神经元。
反复进行这个选择和抑制的过程,直到没有神经元的激活值达到脉冲发射阈值为止。这等同于从图像中删除最佳匹配单元,然后让得到的残差继续进行下一步的迭代。
通过公式(2)和(4),后续t>0时刻的计算过程可以写成如下形式:
重复上述步骤,我们可以将输入图像编码成一系列的脉冲。
编码神经元权重的选择对于不同任务来说是一个难题。在本发明中,我们同时提出了一种无监督的学习法则用来调整编码神经元的权重。
其中,λ是学***均值。除此之外,为了使不同的编码神经元获取到不同的信息,在选择发射的神经元的过程中,本发明在原本的公式中添加了一个正则化项。此时,在第t步发射的神经元的下标可以表示:
基于无监督匹配追踪得到的权重,对图像进行编码,之后我们人为的将得到的脉冲依次放在时间步长1ms的时间窗口内。由此,输入的图像被转换成了稀疏的时空脉冲图,从而作为下一阶段的输入。
步骤三,多脉冲学习:
本发明中我们采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。由于带漏电的整合放电模型leaky integrate-and-fire(LIF)的简单性和易处理性,本发明故采用其进行实验。
其中,是到达第i个突触的第j个脉冲的时间,代表当前神经元第j个输出脉冲的时间。N和wi表示突触前神经元的数目和相对应的突触权重。θ表示神经元的阈值。当神经元的膜电位大于阈值时,神经元会发射脉冲。每一个传入突触电流都会对当前神经元的膜电位产生持续的影响,影响幅度由权重wi和核函数K(t)决定。K(t)是一个核函数,定义为:
V0是一个常数因子,用来对K(t)进行归一化。τm表示膜电位的时间常数,τs表示突触电流的时间常数。
在神经元整合输入的脉冲之后,学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲,同时对其他类别的输入保持沉默。本发明采用TDP(阈值驱动可塑性)多脉冲学习规则对神经元的权重进行调整。
在其他条件不变的情况下,神经元的脉冲响应个数可以由不同的阈值θ决定。因此,神经元对输入的响应可以通过脉冲阈值表层Spike Threshold Surface(STS)来表征。STS定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值即是满足ψ(θ)=k的最小上界。我们定义Vmax为临界值即当阈值θ>Vmax时,神经元的脉冲输出个数为零。TDP对神经元权重wi的调整规则如下:
其中,o是当前神经元的实际脉冲输出个数,d是目标的脉冲发放个数,η为学习速率。
有益效果
本发明首先提出了一种更加高效且具有生物可信度的无监督匹配追踪的时序编码方法,之后将之与高效的多脉冲学习算法TDP相结合,提出了一种新的基于无监督匹配追踪编码的仿脑架构图像识别技术。我们的方法大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性,更加接近人脑处理外界信息的方式,为图像识别技术提供了新的技术思路。
附图说明
图1是使用本发明提出的无监督匹配追踪时序编码方法对输入图片进行编码的示例图。
图2是本发明提出的基于无监督匹配追踪编码的仿脑架构图像识别技术的***框架图;
图3展示了本发明与当前最新的脉冲神经网络模型的对比,表中的准确率是基于MNIST数据集得到的。
具体实施方式
下面结合附图对本发明的使用进行详细说明。
一种基于无监督匹配追踪编码的仿脑架构图像识别方法。整个***主要包括以下三个部分:数据预处理、时序编码和多脉冲学习。具体的技术方案如下:
步骤一,对输入数据进行预处理:
将图像转换成灰度图像,然后对图像进行归一化处理。
步骤二,对图像进行时序编码:
首先,计算编码神经元的激活值:
然后,选择具有最强激活水平的神经元发射脉冲,同时发送侧向抑制到其他的神经元。
反复进行这个选择和抑制的过程,直到没有神经元的激活值达到脉冲发射阈值为止。这等同于从图像中删除最佳匹配单元,然后让得到的残差继续进行下一步的迭代。
通过公式(2)和(4),后续t>0时刻的计算过程可以写成如下形式:
重复上述步骤,我们可以将输入图像编码成一系列的脉冲。
编码神经元权重的选择对于不同任务来说是一个难题。在本发明中,我们同时提出了一种无监督的学习法则用来调整编码神经元的权重。
其中,λ是学***均值。除此之外,为了使不同的编码神经元获取到不同的信息,在选择发射的神经元的过程中,本发明在原本的公式中添加了一个正则化项。此时,在第t步发射的神经元的下标可以表示:
基于无监督匹配追踪得到的权重,对图像进行编码,之后我们人为的将得到的脉冲依次放在时间步长1ms的时间窗口内。由此,输入的图像被转换成了稀疏的时空脉冲图,从而作为下一阶段的输入。
步骤三,多脉冲学习:
本发明中我们采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。由于带漏电的整合放电模型leaky integrate-and-fire(LIF)的简单性和易处理性,本发明故采用其进行实验。
其中,是到达第i个突触的第j个脉冲的时间,代表当前神经元第j个输出脉冲的时间。N和wi表示突触前神经元的数目和相对应的突触权重。θ表示神经元的阈值。当神经元的膜电位大于阈值时,神经元会发射脉冲。每一个传入突触电流都会对当前神经元的膜电位产生持续的影响,影响幅度由权重wi和核函数K(t)决定。K(t)是一个核函数,定义为:
V0是一个常数因子,用来对K(t)进行归一化。τm表示膜电位的时间常数,τs表示突触电流的时间常数。
在神经元整合输入的脉冲之后,学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲,同时对其他类别的输入保持沉默。本发明采用TDP(阈值驱动可塑性)多脉冲学习规则对神经元的权重进行调整。
在其他条件不变的情况下,神经元的脉冲响应个数可以由不同的阈值θ决定。因此,神经元对输入的响应可以通过脉冲阈值表层Spike Threshold Surface(STS)来表征。STS定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值即是满足ψ(θ)=k的最小上界。我们定义Vmax为临界值即当阈值θ>Vmax时,神经元的脉冲输出个数为零。TDP对神经元权重wi的调整规则如下:
其中,o是当前神经元的实际脉冲输出个数,d是目标的脉冲发放个数,η为学习速率。
(1)对输入数据进行预处理。
首先将输入的图片转换为灰度值,并且将输入的图片进行归一化处理。
(2)无监督匹配追踪时序编码。
首先使用本发明提出的无监督匹配追踪方法对编码神经元的权重进行学习。之后基于学习的权重,再将输入图片编码成稀疏的脉冲时空图,作为下一阶段的输入。
(3)多脉冲学习。
在通过无监督的匹配追踪时序编码得到稀疏时空脉冲图之后,运用多脉冲学习算法,通过调整权重使其对指定类别的脉冲发放一定数量的脉冲,同时使其对其它类别保持沉默。在模型决策时,选择脉冲输出数量最多的神经元所代表的类别作为本发明分类的结果。图1是使用本发明提出的无监督匹配追踪时序编码方法对输入图片进行编码的示例图。
图2是本发明提出的基于无监督匹配追踪编码的仿脑架构图像识别技术的***框架图;
图3展示了本发明与当前最新的脉冲神经网络模型的对比,表中的准确率是基于MNIST数据集得到的。
Claims (2)
1.基于无监督匹配追踪编码的仿脑架构图像识别方法,其特征在于,主要包括以下三个部分:数据预处理、时序编码和多脉冲学习,具体如下:
步骤一,对输入数据进行预处理:
将图像转换成灰度图像,然后对图像进行归一化处理;
步骤二,对图像进行时序编码:
首先,计算编码神经元的激活值,
然后,选择具有最强激活水平的神经元发射脉冲,同时发送侧向抑制到其他的神经元,反复进行这个选择和抑制的过程,直到没有神经元的激活值达到脉冲发射阈值为止;
通过公式(2)和(4),后续t>0时刻的计算过程写成如下形式:
重复上述步骤,将输入图像编码成一系列的脉冲;
同时提出一种无监督的学习法则用来调整编码神经元的权重:
其中,λ是学***均值;
除此之外,为了使不同的编码神经元获取到不同的信息,在选择发射的神经元的过程中,在公式(5)中添加了一个正则化项,此时,在第t步发射的神经元的下标表示:
基于无监督匹配追踪得到的权重,对图像进行编码,之后将得到的脉冲依次放在时间步长1ms的时间窗口内,由此,输入的图像被转换成了稀疏的时空脉冲图,从而作为下一阶段的输入;
步骤三,多脉冲学习:
采用TDP学习规则对无监督匹配追踪时序编码得到脉冲时空图进行学习和分类。
2.根据权利要求1所述的基于无监督匹配追踪编码的仿脑架构图像识别方法,其特征在于,所述步骤三具体:采用带漏电的整合放电模型leaky integrate-and-fire进行实验:
当神经元的膜电位大于阈值时,神经元会发射脉冲,每一个传入突触电流都会对当前神经元的膜电位产生持续的影响,影响幅度由权重wi和核函数K(t)决定;
K(t)是一个核函数,定义为:
V0是一个常数因子,用来对K(t)进行归一化;
τm表示膜电位的时间常数,τs表示突触电流的时间常数;
在神经元整合输入的脉冲之后,学习规则被用来训练神经元对其相应的脉冲时空图发射指定数目的脉冲,同时对其他类别的输入保持沉默;
采用TDP阈值驱动可塑性多脉冲学习规则对神经元的权重进行调整;
在其他条件不变的情况下,神经元的脉冲响应个数由不同的阈值θ决定;
神经元对输入的响应通过脉冲阈值表层Spike Threshold Surface来表征,SpikeThreshold Surface定义一系列使神经元脉冲输出个数从k-1个变为k个的临界阈值即是满足ψ(θ)=k的最小上界;
TDP对神经元权重wi的调整规则如下:
其中,o是当前神经元的实际脉冲输出个数,d是目标的脉冲发放个数,η为学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010083016.9A CN111310816B (zh) | 2020-02-07 | 2020-02-07 | 基于无监督匹配追踪编码的仿脑架构图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010083016.9A CN111310816B (zh) | 2020-02-07 | 2020-02-07 | 基于无监督匹配追踪编码的仿脑架构图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310816A CN111310816A (zh) | 2020-06-19 |
CN111310816B true CN111310816B (zh) | 2023-04-07 |
Family
ID=71158295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010083016.9A Active CN111310816B (zh) | 2020-02-07 | 2020-02-07 | 基于无监督匹配追踪编码的仿脑架构图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310816B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931736B (zh) * | 2020-09-27 | 2021-01-19 | 浙江大学 | 利用非自回归模型与整合放电技术的唇语识别方法、*** |
CN112597980B (zh) * | 2021-03-04 | 2021-06-04 | 之江实验室 | 一种面向动态视觉传感器的类脑手势序列识别方法 |
CN114466153B (zh) * | 2022-04-13 | 2022-09-09 | 深圳时识科技有限公司 | 自适应脉冲生成方法、装置、类脑芯片和电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238705A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种基于人工神经网络的无线传感器网络拓扑控制方法 |
CN108304767A (zh) * | 2017-12-12 | 2018-07-20 | 中国科学院自动化研究所 | 基于多脑区协同计算的人类动作意图识别训练方法 |
CN108805879A (zh) * | 2018-05-24 | 2018-11-13 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
CN108985447A (zh) * | 2018-06-15 | 2018-12-11 | 华中科技大学 | 一种硬件脉冲神经网络*** |
CN109074363A (zh) * | 2016-05-09 | 2018-12-21 | 华为技术有限公司 | 数据查询方法、数据查询***确定方法和装置 |
CN109541616A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | Bp神经网络雨、雪、雾天气脉冲激光测距方法 |
CN109616104A (zh) * | 2019-01-31 | 2019-04-12 | 天津大学 | 基于关键点编码和多脉冲学习的环境声音识别方法 |
CN109611222A (zh) * | 2018-11-06 | 2019-04-12 | 重庆邮电大学 | 一种基于脉冲神经网络的电子节气门控制方法 |
CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
CN109871940A (zh) * | 2019-01-31 | 2019-06-11 | 清华大学 | 一种脉冲神经网络的多层训练算法 |
CN109889275A (zh) * | 2019-03-28 | 2019-06-14 | 兰州理工大学 | 一种适合于湍流信道的分层光空间调制方法 |
-
2020
- 2020-02-07 CN CN202010083016.9A patent/CN111310816B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238705A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种基于人工神经网络的无线传感器网络拓扑控制方法 |
CN109074363A (zh) * | 2016-05-09 | 2018-12-21 | 华为技术有限公司 | 数据查询方法、数据查询***确定方法和装置 |
CN108304767A (zh) * | 2017-12-12 | 2018-07-20 | 中国科学院自动化研究所 | 基于多脑区协同计算的人类动作意图识别训练方法 |
CN108805879A (zh) * | 2018-05-24 | 2018-11-13 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
CN108985447A (zh) * | 2018-06-15 | 2018-12-11 | 华中科技大学 | 一种硬件脉冲神经网络*** |
CN109541616A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | Bp神经网络雨、雪、雾天气脉冲激光测距方法 |
CN109611222A (zh) * | 2018-11-06 | 2019-04-12 | 重庆邮电大学 | 一种基于脉冲神经网络的电子节气门控制方法 |
CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
CN109616104A (zh) * | 2019-01-31 | 2019-04-12 | 天津大学 | 基于关键点编码和多脉冲学习的环境声音识别方法 |
CN109871940A (zh) * | 2019-01-31 | 2019-06-11 | 清华大学 | 一种脉冲神经网络的多层训练算法 |
CN109889275A (zh) * | 2019-03-28 | 2019-06-14 | 兰州理工大学 | 一种适合于湍流信道的分层光空间调制方法 |
Non-Patent Citations (5)
Title |
---|
A RETINA-INSPIRED ENCODER: AN INNOVATIVE STEP ON IMAGE CODING USING LEAKY INTEGRATE-AND-FIRE NEURONS;Melpomeni Dimopoulou 等;《IEEE》;20181031;正文第1-6页 * |
An Architecture for the Acceleration of a Hybrid Leaky Integrate and Fire SNN on the Convey HC-2ex FPGA-Based Processor;Emmanouil Kousanakis 等;《2017 IEEE 25th Annual International Symposium on Field-Programmable Custom Computing Machines》;20171231;第55-63页 * |
一种用于视觉颜色特征分类的脉冲神经网络;苏亚丽 等;《西安交通大学学报》;20191031;第115-121页 * |
脉冲神经网络的监督学习算法研究综述;蔺想红 等;《电子学报》;20150331;第577-586页 * |
谢长贵.模糊脉冲神经网络模型.《旋转机械的智能诊断方法研究》.电子科技大学出版社,2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN111310816A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633497B (zh) | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 | |
CN110210563B (zh) | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 | |
CN111310816B (zh) | 基于无监督匹配追踪编码的仿脑架构图像识别方法 | |
Yan et al. | Near lossless transfer learning for spiking neural networks | |
CN111858989B (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
US5822742A (en) | Dynamically stable associative learning neural network system | |
Paupamah et al. | Quantisation and pruning for neural network compression and regularisation | |
CN113205048B (zh) | 一种手势识别方法及识别*** | |
CN112906828A (zh) | 一种基于时域编码和脉冲神经网络的图像分类方法 | |
CN108304912B (zh) | 一种运用抑制信号实现脉冲神经网络监督学习的***和方法 | |
CN114186672A (zh) | 一种用于脉冲神经网络的高效高精度训练算法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN114266351A (zh) | 基于无监督学习时间编码的脉冲神经网络训练方法及*** | |
CN115170943A (zh) | 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
Ahmed et al. | Computing with spiking neuron networks: a review | |
CN115809700A (zh) | 基于突触-阈值协同的脉冲神经网络学习方法 | |
Harikrishnan et al. | Handwritten digit recognition with feed-forward multi-layer perceptron and convolutional neural network architectures | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
Yan et al. | CQ $^{+} $+ Training: Minimizing Accuracy Loss in Conversion From Convolutional Neural Networks to Spiking Neural Networks | |
Li et al. | Pattern recognition of spiking neural networks based on visual mechanism and supervised synaptic learning | |
CN110991602A (zh) | 基于单指数核的事件驱动脉冲神经元仿真算法 | |
CN115546556A (zh) | 用于图像分类的脉冲神经网络的训练方法 | |
Dasgaonkar et al. | Analysis of multi-layered perceptron, radial basis function and convolutional neural networks in recognizing handwritten digits | |
CN115880324A (zh) | 基于脉冲卷积神经网络的战场目标图像阈值分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |