基于动态阈值的spiking学习模型的图像分类方法技术

本发明专利技术公开了一种基于动态阈值的spiking学习模型的图像分类方法，该方法包括获取图像数据集，采用相位延迟编码方法将图像信息转化为脉冲激发序列，建立基于动态阈值的spiking学习模型并进行训练，利用训练后的spiking学习模型对待分类图像进行分类处理。本发明专利技术通过采用相位延迟编码方法将图像信息转化为脉冲激发序列，并建立基于动态阈值的spiking学习模型进行训练，利用训练后的spiking学习模型进行图像分类，在保证学习模型训练效率和准确率的同时，可以显著提高学习模型的鲁棒性，进一步提高图像分类效率。

Image classification based on spiking learning model of dynamic threshold

【技术实现步骤摘要】
基于动态阈值的spiking学习模型的图像分类方法
本专利技术属于图像分类
，具体涉及一种基于动态阈值的spiking学习模型的图像分类方法。
技术介绍
由于在大脑的不同区域都发现了基于脉冲时序的神经活动，包括视网膜，外侧膝状核和视觉皮层，越来越多的人开始关注基于时序编码的spiking神经网络。理论表明，作为第三代神经网络的spiking神经网络比第二代神经网络具有更加强大的计算能力和更为广泛的应用前景。但是目前以spiking神经元为模型的应用还比较简单，其中一个主要原因即缺乏高效、鲁棒的学习算法。经过研究人员的努力，在提高spiking神经元的学习算法效率上已经有了许多成果，这些成果可以分为脉冲驱动和膜电压驱动两大类型。以ReSuMe为典型代表的脉冲驱动算法以目标脉冲时间和实际脉冲时间为信号，对突触权重加以调整。与ReSuMe学习算法类似，spikeProp也是较为典型的脉冲驱动算法。通过利用单脉冲的目标激发时刻和实际激发时刻的差异作为误差函数，利用传统神经网络的BP(back-propagation)对神经元的突触加以调节。此外，SPAN(SpikePatternAssociationNeuron)和Chronotron学习算法也属于脉冲驱动学习算法的一个分支，它们先间接地把离散的实际脉冲序列和离散的目标脉冲序列变成连续信号，然后用传统的学习算法去减少对应连续信号之间的误差。另一方面，以PBSNLR为代表的膜电压驱动算法，以spiking神经元在不同时刻的膜电压为信号，对spiking神经元的连接突触进行学习。除了PBSNLR算法以外，Tempotron学习算法也是典型的一种膜电压驱动学习算法，且获得了广泛的应用。该算法把梯度下降的方法作用于神经元的最大高膜电压，当正样本输入的时候，增加权重，使最高的膜电压达到阈值。反之，则降低权重，使得最高膜电压低于阈值。与PBSNLR学习算法类似，算法HTP的基本思想也是先把spiking神经网络的学习算法转化成感知机的分类任务，然后利用感知机的学习规则去调整权重，使得膜电压在目标激发时刻达到阈值，同时在其他时刻低于阈值，让神经元在目标的时刻激发脉冲。HTP具有感知机学习规则简单，高效的优点，但是由于借鉴感知机学习规则，因此也存在非线性不可分的缺点，这意味着其学习准确率还有进一步提高的空间。EMPD(EfficientMembranePotentialDriven)算法采用膜电压和激发阈值作为权重调整信号，利用梯度下降的方法调整神经元的权重，实验结果表明，该算法的准确率和效率高于PBSNLR和ReSuMe。生物科学实验发现，尽管大脑中也存在着多种噪声，大脑却可以高效，鲁棒的对信息加以处理，遗憾的是我们还不知道大脑处理噪声的具体机制和策略。为了提高算法的鲁棒性，目前广泛采用的策略是在噪声环境下训练spiking神经网络。实验结果表明该策略可以在一定程度上提高自身算法的鲁棒性。在遇到和训练噪声强度及类型相似的噪声干扰时，该策略可以显著提高算法的抗噪能力。但是，对于没有遇到过的或强度更大的噪声，其抗噪能力会急剧降低。因此，如何提高spiking神经网络的抗噪能力仍然是该领域的一个重大挑战。
技术实现思路
针对现有技术中的上述不足，本专利技术提供了一种基于动态阈值的spiking学习模型的图像分类方法，。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于动态阈值的spiking学习模型的图像分类方法，包括以下步骤：S1、获取图像数据集；S2、采用相位延迟编码方法将图像信息转化为脉冲激发序列；S3、建立基于动态阈值的spiking学习模型，利用步骤S2得到的脉冲激发时间信息对spiking学习模型进行训练；S4、利用步骤S3训练后的spiking学习模型对待分类图像进行分类处理。进一步地，所述步骤S2中，相位延迟编码方法具体为：将图像信息作为外界刺激信息；利用延迟编码方法将外界刺激信息编码成脉冲激发时间，按照刺激强弱程度依次激发脉冲；利用相位编码方法使脉冲移动到其对应振荡曲线的峰值；把相同接收区域的脉冲压缩成一个神经元的脉冲激发序列。进一步地，所述步骤S3中，基于动态阈值的spiking学习模型中的动态阈值函数将spiking神经元的运行时间分为和其中td(i)代表目标激发序列中的第i个脉冲时刻，参数δ用来决定和的时间长度。进一步地，所述步骤S3中，基于动态阈值的spiking学习模型中的动态阈值函数表示为：其中η1是非目标激发时刻阈值差值参数，η2是目标激发时刻阈值差值参数，thr是传统固定激发阈值，a为预设系数。进一步地，所述步骤S3中，基于动态阈值的spiking学习模型的权重学习表示为：其中，β为算法的学习率，是突触i的所有动作电位在时间t的突触后电势之和，V(t)为膜电压。进一步地，所述步骤S4利用步骤S3训练后的spiking学习模型对待分类图像进行分类处理具体为：将待分类图像转化的脉冲激发序列输入到步骤S3训练后的spiking学习模型中，根据输出神经元激发的对应目标脉冲序列判断待分类图像的类别，完成图像分类。本专利技术具有以下有益效果：本专利技术通过采用相位延迟编码方法将图像信息转化为脉冲激发序列，并建立基于动态阈值的spiking学习模型进行训练，利用训练后的spiking学习模型进行图像分类，在保证学习模型训练效率和准确率的同时，可以显著提高学习模型的鲁棒性，进一步提高图像分类效率。附图说明图1是本专利技术的基于动态阈值的spiking学习模型的图像分类方法流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施例提供了一种基于动态阈值的spiking学习模型的图像分类方法，包括以下步骤S1至S4：S1、获取图像数据集；S2、采用相位延迟编码方法将图像信息转化为脉冲激发序列；在本实施例中，本专利技术采用相位延迟编码(Latency-Phasecoding)通过结合相位编码和延迟编码可以有效地将图片信息转变成精确的脉冲激发时间信息。上述相位延迟编码方法具体为：将图像信息作为外界刺激信息；利用延迟编码方法将外界刺激信息编码成脉冲激发时间，按照刺激强弱程度依次激发脉冲；其中强的刺激会引发更早的脉冲，而弱的刺激则会使得脉冲更晚地激发；利用相位编码方法使脉冲移动到其对应振荡曲线的峰值；把相同接收区域的脉冲压缩成一个神经元的脉冲激发序列。在该编码中，首先会利用延迟编码的方法，通过下式将外界刺激(比如图像的像素信息)变成精确的点火时间ti＝tmax-ln(axi+1)其中，xi是第i个像素点的像素值，本文档来自技高网...

【技术保护点】
1.一种基于动态阈值的spiking学习模型的图像分类方法，其特征在于，包括以下步骤：/nS1、获取图像数据集；/nS2、采用相位延迟编码方法将图像信息转化为脉冲激发序列；/nS3、建立基于动态阈值的spiking学习模型，利用步骤S2得到的脉冲激发时间信息对spiking学习模型进行训练；/nS4、利用步骤S3训练后的spiking学习模型对待分类图像进行分类处理。/n

【技术特征摘要】
1.一种基于动态阈值的spiking学习模型的图像分类方法，其特征在于，包括以下步骤：
S1、获取图像数据集；
S2、采用相位延迟编码方法将图像信息转化为脉冲激发序列；
S3、建立基于动态阈值的spiking学习模型，利用步骤S2得到的脉冲激发时间信息对spiking学习模型进行训练；
S4、利用步骤S3训练后的spiking学习模型对待分类图像进行分类处理。


2.如权利要求1所述的基于动态阈值的spiking学习模型的图像分类方法，其特征在于，所述步骤S2中，相位延迟编码方法具体为：
将图像信息作为外界刺激信息；
利用延迟编码方法将外界刺激信息编码成脉冲激发时间，按照刺激强弱程度依次激发脉冲；
利用相位编码方法使脉冲移动到其对应振荡曲线的峰值；把相同接收区域的脉冲压缩成一个神经元的脉冲激发序列。


3.如权利要求2所述的基于动态阈值的spiking学习模型的图像分类方法，其特征在于，所述步骤S3中，基于动态阈值的spiking学习模型中的动态阈值函数将spiking神经元的运行时间分为和






其中td(i...

【专利技术属性】
技术研发人员：李建平，顾小丰，胡健，李天凯，贺喜，王青松，蒋涛，陈强强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51