CN113408611A - 一种基于延迟机制的多层图像分类方法 - Google Patents
一种基于延迟机制的多层图像分类方法 Download PDFInfo
- Publication number
- CN113408611A CN113408611A CN202110676116.7A CN202110676116A CN113408611A CN 113408611 A CN113408611 A CN 113408611A CN 202110676116 A CN202110676116 A CN 202110676116A CN 113408611 A CN113408611 A CN 113408611A
- Authority
- CN
- China
- Prior art keywords
- firing
- layer
- neuron
- neurons
- delay
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims abstract description 143
- 230000000946 synaptic effect Effects 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 173
- 238000010304 firing Methods 0.000 claims description 143
- 239000012528 membrane Substances 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011229 interlayer Substances 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 210000000225 synapse Anatomy 0.000 description 7
- 239000000758 substrate Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于延迟机制的多层图像分类方法,属于图像处理技术领域,其包括以下步骤:S1、构建图像分类模型;S2、采用图像集对图像分类模型进行训练,得到训练完成的图像分类模型;S3、采用训练完成的图像分类模型对图像进行分类,得到图像的类别;图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器;本发明解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于延迟机制的多层图像分类方法。
背景技术
Spikeprop算法的拓扑结构属于多层前馈神经网络的模型。神经元分层排列,当刺激信号传入时,是将刺激信号转化为脉冲信号的神经元,可以对应为输入层。最后一层为输出层,是对刺激进行整合后,产生的脉冲输出层。在编码神经元层与输出层中间的都称为学习神经元,对应传统神经网络中的隐藏层。隐藏层可以为n,n的取值为大于等于1的正整数,就形成深度脉冲神经网络。各层神经元之间通过突触连接。两个神经元之间的突触个数不唯一。并且突触之间可以使用延迟时间和连接权值对神经元之间的信号传递进行处理和整合。此机制使得脉冲神经元的输入信号能够对突触后神经元产生更加长时间的影响。
在学习算法过程中,Spikeprop算法已经引入了延迟机制,但是其延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于延迟机制的多层图像分类方法解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于延迟机制的多层图像分类方法,包括以下步骤:
S1、构建图像分类模型;
S2、采用图像集对图像分类模型进行训练,得到训练完成的图像分类模型;
S3、采用训练完成的图像分类模型对图像进行分类,得到图像的类别;
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器;所述特征提取单元用于对图像进行特征提取,得到特征图像数据;所述脉冲延迟编码单元用于对特征图像数据进行编码,得到激发脉冲时间序列;所述多层分类器用于处理激发脉冲时间序列,得到图像的类别。
进一步地,脉冲延迟编码单元对特征图像数据进行编码的公式为:
ti=tmax-ln(axi+1)
其中,ti为第i个像素点对应的激发脉冲时间点,tmax为编辑时间窗的大小,a为编码参数,xi为特征图像数据对应的第i个像素点的像素值。
进一步地,多层分类器包括:输入层、隐藏层和输出层;
所述多层分类器的训练方法为:
A1、将激发脉冲时间序列输入多层分类器,确定每层每个神经元的目标点火时间,将未点火的神经元的点火时间记为-1;
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元;
A3、根据每层每个神经元的目标点火时间,计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数,对输出层和隐藏层间的所有点火神经元的延迟进行调整,对输入层和隐藏层间的所有点火神经元的延迟进行调整;
A5、根据延迟调整后的多层分类器,再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
A6、根据步骤A5计算的学习参数,对输出层和隐藏层间的所有点火神经元的突触权重进行调整,对输入层和隐藏层间的所有点火神经元的突触权重进行调整;
A7、根据权重调整后的多层分类器,获取当前输出层的实际点火时间,计算实际点火时间与目标点火时间的均方误差;
A8、判断均方误差是否小于设定误差阈值,若是,则得到训练完成的多层分类器,若否,则跳转至步骤A1。
其中,Гi为所有与点火神经元i连接的神经元集合,为第i个点火神经元与第个点火神经元间的第个突触权重,输入层上的神经元以h标记,隐藏层上的点火神经元以i标记,输出层上的点火神经元以标记,为偏导运算,τ为神经元的膜时间常量,为第个点火神经元的目标点火时间,为第i个点火神经元的目标点火时间,ti为第i个点火神经元的膜电压第一次超过阈值的时间,为隐藏层和输出层间点火神经元的第个突触权重的延迟,为输入层与隐藏层间点火神经元的第个突触权重的延迟,为第i个点火神经元与第h个神经元间的第个突触权重。
对输入层和隐藏层间的所有点火神经元的延迟进行调整,其中,调整的增量Δdh的计算公式为:
其中,为输出层上的第个点火神经元的学习参数,δi为隐藏层上的第i个点火神经元的学习参数,为第i个点火神经元与第个点火神经元间的第个突触权重,为所有与点火神经元连接的神经元集合,Γi为所有与点火神经元i连接的神经元集合,隐藏层上的点火神经元以i标记,输出层上的点火神经元以标记,为第i个点火神经元与第h个神经元间的第个突触权重,th为第h个神经元的膜电压第一次超过阈值的时间,t为时间,为隐藏层和输出层间点火神经元的第个突触权重的延迟,为输入层与隐藏层间点火神经元的第个突触权重的延迟,ti为第i个点火神经元的膜电压第一次超过阈值的时间。
进一步地,步骤A6中对输出层和隐藏层间的所有点火神经元的突触权重进行调整,其中调整的增量的计算公式为:
对输入层和隐藏层间的所有点火神经元的突触权重进行调整,其中调整的增量的计算公式为:
综上,本发明的有益效果为:
(1)、多层分类器为对Spikeprop算法的延迟机制进行优化,是将延迟时间作为权重之外的另一个调整参数,使得本方法不仅仅依赖于权重一个参数,增加算法的鲁棒性。同时,因为作为权重的辅助调整变量,其变化趋势也随着权重变化,使得模型能够更快收敛到目标时刻,提高图像分类的效率。
(2)本发明提出的多层分类器,基于延迟机制的反传算法,对Spikeprop算法的学习机制进行了优化,改进了延迟机制,使得模型分类效率提升,也使整个模型具有了一定的抗噪能力,不容易受到外界信息的干扰。
附图说明
图1为一种基于延迟机制的多层图像分类方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于延迟机制的多层图像分类方法,包括以下步骤:
S1、构建图像分类模型;
S2、采用图像集对图像分类模型进行训练,得到训练完成的图像分类模型;
S3、采用训练完成的图像分类模型对图像进行分类,得到图像的类别;
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器;所述特征提取单元用于对图像进行特征提取,得到特征图像数据;所述脉冲延迟编码单元用于对特征图像数据进行编码,得到激发脉冲时间序列;所述多层分类器用于处理激发脉冲时间序列,得到图像的类别。
脉冲延迟编码单元对特征图像数据进行编码的公式为:
ti=tmax-ln(axi+1)
其中,ti为第i个像素点对应的激发脉冲时间点,tmax为编辑时间窗的大小,a为编码参数,xi为特征图像数据对应的第i个像素点的像素值。
多层分类器包括:输入层、隐藏层和输出层;
所述多层分类器的训练方法为:
A1、将激发脉冲时间序列输入多层分类器,确定每层每个神经元的目标点火时间,将未点火的神经元的点火时间记为-1;
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元;
A3、根据每层每个神经元的目标点火时间,计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
其中,Γi为所有与点火神经元i连接的神经元集合,为第i个点火神经元与第个点火神经元间的第个突触权重,输入层上的神经元以h标记,隐藏层上的点火神经元以i标记,输出层上的点火神经元以标记,为偏导运算,τ为神经元的膜时间常量,为第个点火神经元的目标点火时间,为第i个点火神经元的目标点火时间,ti为第i个点火神经元的膜电压第一次超过阈值的时间,为隐藏层和输出层间点火神经元的第个突触权重的延迟,为输入层与隐藏层间点火神经元的第个突触权重的延迟,为第i个点火神经元与第h个神经元间的第个突触权重。
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数,对输出层和隐藏层间的所有点火神经元的延迟进行调整,对输入层和隐藏层间的所有点火神经元的延迟进行调整;
对输入层和隐藏层间的所有点火神经元的延迟进行调整,其中,调整的增量Δdh的计算公式为:
其中,为输出层上的第个点火神经元的学习参数,δi为隐藏层上的第i个点火神经元的学习参数,为第i个点火神经元与第个点火神经元间的第个突触权重,为所有与点火神经元连接的神经元集合,Γi为所有与点火神经元i连接的神经元集合,隐藏层上的点火神经元以i标记,输出层上的点火神经元以标记,为第i个点火神经元与第h个神经元间的第个突触权重,th为第h个神经元的膜电压第一次超过阈值的时间,t为时间,为隐藏层和输出层间点火神经元的第个突触权重的延迟,为输入层与隐藏层间点火神经元的第个突触权重的延迟,ti为第i个点火神经元的膜电压第一次超过阈值的时间。
A5、根据延迟调整后的多层分类器,再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
A6、根据步骤A5计算的学习参数,对输出层和隐藏层间的所有点火神经元的突触权重进行调整,对输入层和隐藏层间的所有点火神经元的突触权重进行调整;
步骤A6中对输出层和隐藏层间的所有点火神经元的突触权重进行调整,其中调整的增量的计算公式为:
对输入层和隐藏层间的所有点火神经元的突触权重进行调整,其中调整的增量的计算公式为:
A7、根据权重调整后的多层分类器,获取当前输出层的实际点火时间,计算实际点火时间与目标点火时间的均方误差;
A8、判断均方误差是否小于设定误差阈值,若是,则得到训练完成的多层分类器,若否,则跳转至步骤A1。
Claims (6)
1.一种基于延迟机制的多层图像分类方法,其特征在于,包括以下步骤:
S1、构建图像分类模型;
S2、采用图像集对图像分类模型进行训练,得到训练完成的图像分类模型;
S3、采用训练完成的图像分类模型对图像进行分类,得到图像的类别;
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器;所述特征提取单元用于对图像进行特征提取,得到特征图像数据;所述脉冲延迟编码单元用于对特征图像数据进行编码,得到激发脉冲时间序列;所述多层分类器用于处理激发脉冲时间序列,得到图像的类别。
2.根据权利要求1所述的基于延迟机制的多层图像分类方法,其特征在于,所述脉冲延迟编码单元对特征图像数据进行编码的公式为:
ti=tmax-ln(axi+1)
其中,ti为第i个像素点对应的激发脉冲时间点,tmax为编辑时间窗的大小,a为编码参数,xi为特征图像数据对应的第i个像素点的像素值。
3.根据权利要求1所述的基于延迟机制的多层图像分类方法,其特征在于,所述多层分类器包括:输入层、隐藏层和输出层;
所述多层分类器的训练方法为:
A1、将激发脉冲时间序列输入多层分类器,确定每层每个神经元的目标点火时间,将未点火的神经元的点火时间记为-1;
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元;
A3、根据每层每个神经元的目标点火时间,计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数,对输出层和隐藏层间的所有点火神经元的延迟进行调整,对输入层和隐藏层间的所有点火神经元的延迟进行调整;
A5、根据延迟调整后的多层分类器,再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数;
A6、根据步骤A5计算的学习参数,对输出层和隐藏层间的所有点火神经元的突触权重进行调整,对输入层和隐藏层间的所有点火神经元的突触权重进行调整;
A7、根据权重调整后的多层分类器,获取当前输出层的实际点火时间,计算实际点火时间与目标点火时间的均方误差;
A8、判断均方误差是否小于设定误差阈值,若是,则得到训练完成的多层分类器,若否,则跳转至步骤A1。
4.根据权利要求3所述的基于延迟机制的多层图像分类方法,其特征在于,所述步骤A3中隐藏层所有点火神经元的学习参数δi和输出层所有点火神经元的学习参数δj的计算公式为:
对输入层和隐藏层间的所有点火神经元的延迟进行调整,其中,调整的增量Δdh的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676116.7A CN113408611B (zh) | 2021-06-18 | 2021-06-18 | 一种基于延迟机制的多层图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676116.7A CN113408611B (zh) | 2021-06-18 | 2021-06-18 | 一种基于延迟机制的多层图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408611A true CN113408611A (zh) | 2021-09-17 |
CN113408611B CN113408611B (zh) | 2022-05-10 |
Family
ID=77685108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676116.7A Active CN113408611B (zh) | 2021-06-18 | 2021-06-18 | 一种基于延迟机制的多层图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408611B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818914A (zh) * | 2022-04-24 | 2022-07-29 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304683A1 (en) * | 2010-01-19 | 2013-11-14 | James Ting-Ho Lo | Artificial Neural Networks based on a Low-Order Model of Biological Neural Networks |
WO2015134328A1 (en) * | 2014-03-07 | 2015-09-11 | Qualcomm Incorporated | Photo management |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
WO2016028446A1 (en) * | 2014-08-19 | 2016-02-25 | Qualcomm Incorporated | Knowledge-graph biased classification for data |
CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
US20180174042A1 (en) * | 2016-12-20 | 2018-06-21 | Intel Corporation | Supervised training and pattern matching techniques for neural networks |
CN108846408A (zh) * | 2018-04-25 | 2018-11-20 | 中国人民解放军军事科学院军事医学研究院 | 基于脉冲神经网络的图像分类方法及装置 |
CN109117884A (zh) * | 2018-08-16 | 2019-01-01 | 电子科技大学 | 一种基于改进监督学习算法的图像识别方法 |
CN109214395A (zh) * | 2018-08-21 | 2019-01-15 | 电子科技大学 | 一种基于脉冲神经网络的图像特征描述方法 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
CN111046954A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于动态阈值的spiking学习模型的图像分类方法 |
CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 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 |
CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
-
2021
- 2021-06-18 CN CN202110676116.7A patent/CN113408611B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304683A1 (en) * | 2010-01-19 | 2013-11-14 | James Ting-Ho Lo | Artificial Neural Networks based on a Low-Order Model of Biological Neural Networks |
WO2015134328A1 (en) * | 2014-03-07 | 2015-09-11 | Qualcomm Incorporated | Photo management |
WO2016028446A1 (en) * | 2014-08-19 | 2016-02-25 | Qualcomm Incorporated | Knowledge-graph biased classification for data |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
US20180174042A1 (en) * | 2016-12-20 | 2018-06-21 | Intel Corporation | Supervised training and pattern matching techniques for neural networks |
CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
CN108846408A (zh) * | 2018-04-25 | 2018-11-20 | 中国人民解放军军事科学院军事医学研究院 | 基于脉冲神经网络的图像分类方法及装置 |
CN109117884A (zh) * | 2018-08-16 | 2019-01-01 | 电子科技大学 | 一种基于改进监督学习算法的图像识别方法 |
CN109214395A (zh) * | 2018-08-21 | 2019-01-15 | 电子科技大学 | 一种基于脉冲神经网络的图像特征描述方法 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
CN111046954A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于动态阈值的spiking学习模型的图像分类方法 |
CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 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 |
CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
Non-Patent Citations (10)
Title |
---|
AKIRA MASUDA等: "The hippocampus encodes delay and value information during delay-discounting decision making", 《NEUROSCIENCE》 * |
SATOSHI MATSUDA等: "BPSpike: a backpropagation learning for all parameters in spiking neural networks with multiple layers and multiple spikes", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
SUMIT BAM SHRESTHA等: "Adaptive Delay Learning in SpikeProp Based on Delay Convergence Analysis", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
XIANGWEN WANG等: "A Delay Learning Algorithm Based on Spike Train Kernels for Spiking Neurons", 《FRONTIERS IN NEUROSCIENCE》 * |
张马路: "Spiking机器学习算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
徐频捷等: "基于脉冲神经网络与移动GPU计算的图像分类算法研究与实现", 《计算机工程与科学》 * |
曾志: "Spiking学习算法研究及其在图像特征提取上的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
肖艳清: "基于Spiking的深度网络模型研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡志根: "脉冲神经网络学习算法的研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
薛庆弢: "基于脉冲神经网络的学习算法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818914A (zh) * | 2022-04-24 | 2022-07-29 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
CN114818914B (zh) * | 2022-04-24 | 2024-05-24 | 重庆大学 | 基于相空间和光流图像的多变量时间序列的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408611B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110163093B (zh) | 一种基于遗传算法的路牌识别对抗防御方法 | |
CN111753881B (zh) | 一种基于概念敏感性量化识别对抗攻击的防御方法 | |
CN112633497A (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 | |
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 | |
CN111477247B (zh) | 基于gan的语音对抗样本生成方法 | |
CN111507884A (zh) | 一种基于深层卷积神经网络的自适应图像隐写分析方法及*** | |
CN1689036A (zh) | 用于自动建立经验评级和/或风险准备金的***和方法 | |
CN110659666B (zh) | 一种基于相互作用的多层脉冲神经网络的图像分类方法 | |
CN111639754A (zh) | 一种神经网络的构建、训练、识别方法和***、存储介质 | |
CN112906828A (zh) | 一种基于时域编码和脉冲神经网络的图像分类方法 | |
CN112861945B (zh) | 一种多模态融合谎言检测方法 | |
CN113408611B (zh) | 一种基于延迟机制的多层图像分类方法 | |
CN111310816B (zh) | 基于无监督匹配追踪编码的仿脑架构图像识别方法 | |
CN114186672A (zh) | 一种用于脉冲神经网络的高效高精度训练算法 | |
CN112926661A (zh) | 一种增强图像分类鲁棒性的方法 | |
CN111130909B (zh) | 基于自适应储备池esn的网络流量预测方法 | |
CN116796207A (zh) | 一种基于脉冲神经网络的自组织映射聚类方法 | |
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 | |
CN111091815A (zh) | 基于膜电压驱动的聚合标签学习模型的语音识别方法 | |
CN110598737B (zh) | 一种深度学习模型的在线学习方法、装置、设备及介质 | |
CN115809700A (zh) | 基于突触-阈值协同的脉冲神经网络学习方法 | |
CN108846349A (zh) | 一种基于动态Spiking神经网络的人脸识别方法 | |
CN114118378A (zh) | 基于阈值自适应神经元的硬件友好stdp学习方法和*** |
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 |