基于振荡神经网络的信息内容确认方法及系统技术方案

本发明专利技术提供一种基于振荡神经网络的信息内容确认方法及系统，其方法包括：将输入的数字信号编码为至少一个第一频率信号；对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号；对每个所述第二频率信号进行分类，输出分类结果，以基于所述分类结果确认所述待确认信息的内容，本发明专利技术通过对频率信号进行特征抽象化操作，进而克服了由于频率信号数值范围大且离散的特点，现有的传统神经网络训练方法无法应用于其上的问题，本发明专利技术的神经网络模型采用频率信号确认信息，可以实现高效、精确的振荡神经网络神经网络训练与推理，同时不存在实际部署导致的精度丢失问题。同时不存在实际部署导致的精度丢失问题。同时不存在实际部署导致的精度丢失问题。

【技术实现步骤摘要】
基于振荡神经网络的信息内容确认方法及系统


[0001]本专利技术属于人工智能领域，具体地讲，涉及一种基于振荡神经网络的信息内容确认方法及系统。

技术介绍

[0002]随着信息技术的不断发展和人们日益增长的需求，人们对信息及时性的要求越来越高，人工神经网络广泛应用于计算机视觉领域，在图像分类、目标识别与视频监测等方面已经获得了较为成熟的应用。振荡神经网络(ONN)是一种特殊的神经网络，其采用频率/相位的方式存储信息，相比于传统神经网络大大减少了计算量和所需内存，具有其独特的优势。
[0003]但由于频率信号数值范围大且离散的特点，现有的传统神经网络训练方法无法应用于其上，现有的脉冲神经网络(SNN)也是一种特殊的神经网络，其充分考虑了信号的时间特性，以事件脉冲为驱动传递信息。现有技术中SNN采用的训练方法不太成熟，通过近似的方式处理信号后再采用梯度反传的方法训练网络，学习效率低下，甚至无法收敛，并且SNN信号与ONN信号差异较大，因此脉冲神经网路的学习方法无法应用于振荡神经网络，存在诸多不足。

技术实现思路

[0004]本专利技术提供了一种基于振荡神经网络的信息内容确认方法及系统，以至少解决现有技术中存在的至少一个问题。
[0005]本专利技术一个方面实施例提供一种基于振荡神经网络的信息内容确认方法，包括：
[0006]将输入的数字信号编码为至少一个第一频率信号；所述数字信号是对待确认信息进行数字化得到；
[0007]对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号；
[0008]对每个所述第二频率信号进行分类，输出分类结果，以基于所述分类结果确认所述待确认信息的内容。
[0009]在某些实施例中，所述将输入的数字信号编码为至少一个第一频率信号，包括：
[0010]对所述数字信号每一信号位上的信号进行移位操作，生成对应每一信号位的第一移位信号，所述第一移位信号的信号值处于第一设定范围内；
[0011]对所述第一移位信号进行低位移出或高位移出操作，生成第二移位信号，所述第二移位信号的信号值处于第二设定范围内；
[0012]将所述第二移位信号映射至一第一预设映射范围，生成所述第一频率信号，所述第一频率信号为一设定值的N倍，N为大于等于1的正整数。
[0013]在某些实施例中，所述对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号，包括：
[0014]将每个所述第一频率信号映射至一第二预设映射范围，得到对应的第一映射信
号，所述第一映射信号为所述第二预设映射范围内的任意整数值；
[0015]结合一第一预设权重矩阵对所有所述第一映射信号进行乘加计算操作，得到第一乘加结果，并将所述第一乘加结果反映射至所述第一预设映射范围，生成对应第二频率信号，所述第二频率信号为所述设定值的N倍，N为大于等于1的正整数。
[0016]在某些实施例中，所述对每个所述第二频率信号进行分类，输出分类结果，包括：
[0017]将每个所述第二频率信号映射至一第三预设映射范围，得到对应的第二映射信号，所述第二映射信号为所述第二预设映射范围内的任意整数值；
[0018]结合一第二预设权重矩阵对所有所述第二映射信号进行乘加计算操作，得到第二乘加结果；
[0019]对每个第二乘加结果进行比较，选取响应值最大的所述第二乘加结果作为所述分类结果。
[0020]在某些实施例中，所述待确认信息记载于一图像上，所述待确认信息的内容为所述图像上的图案内容，所述数字信号包括所述图像上各像素点的像素值；所述数字信号的生成步骤包括：
[0021]将所述图像转化为灰度图像；
[0022]检测所述灰度图像上各像素点的像素值，生成对应各像素点的所述数字信号。
[0023]在某些实施例中，还包括：
[0024]根据所有分类结果中各结果的指数函数值以及所有分类结果中各结果的指数函数值的总数生成各类型分类结果的概率数据；
[0025]结合交叉熵损失函数和各类型分类结果对应的概率数据，生成分类确认误差。
[0026]在某些实施例中，还包括：
[0027]根据所述分类确认误差对所述第一预设权重矩阵和所述第二预设权重矩阵中的权重参数进行梯度计算操作，得到更新的权重参数；
[0028]每隔设定学习时长执行迭代操作，用所述更新的权重参数替换对应预设权重矩阵中当前的权重参数，重新生成第二乘加结果，并结合重新生成的所述第二乘加结果重新生成分类结果。
[0029]在某些实施例中，根据所述分类确认误差对所述第二预设权重矩阵中的权重参数进行梯度计算操作，包括：
[0030]根据预设的误差与分类结果的函数关系对所述分类结果进行求导，得到第一求导结果；
[0031]根据所述第二预设权重矩阵中的权重参数和所述分类结果的函数关系对所述第二预设权重矩阵中的权重参数进行求导，得到第二求导结果；
[0032]利用所述第一求导结果和所述第二求导结果生成所述分类确认误差对所述第二预设权重矩阵中的权重参数的修正求导结果，并根据所述修正求导结果重新生成对应的权重参数。
[0033]在某些实施例中，根据所述分类确认误差对所述第一预设权重矩阵中的权重参数进行梯度计算操作，包括：
[0034]根据预设的误差与分类结果的函数关系对所述分类结果进行求导，得到第一求导结果；
[0035]根据所述第二预设权重矩阵中的权重参数和所述分类结果的函数关系对所述第二预设权重矩阵中的权重参数进行求导，得到第二求导结果；
[0036]根据所述第一乘加结果与所述第一预设权重矩阵中的权重参数的函数关系对所述第一预设权重矩阵中的权重参数进行求导，得到第三求导结果；
[0037]利用所述第一求导结果、所述第二求导结果以及所述第三求导结果生成所述分类确认误差对所述第一预设权重矩阵中的权重参数的修正求导结果，并根据所述修正求导结果重新生成对应的权重参数。
[0038]在某些实施例中，所述根据所述分类确认误差对所述第一预设权重矩阵和所述第二预设权重矩阵中的权重参数进行梯度计算操作，还包括：
[0039]对所述第一乘加结果和所述第二乘加结果进行单侧抑制操作、移位操作和截断操作；
[0040]利用直通估计器跳过所述移位操作和截断操作的求导计算。
[0041]本专利技术另一方面实施例提供一种基于振荡神经网络的信息内容确认装置，包括：
[0042]编码模块，用于将输入的数字信号编码为至少一个第一频率信号；所述数字信号是对待确认信息进行数字化得到；
[0043]特征抽象化模块，对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号；
[0044]分类输出模块，对每个所述第二频率信号进行分类，输出分类结果，以基于所述分类结果确认所述待确认信息的内容。
[0045]本专利技术又一方面实施例一种电子设备，包括存储器、处理器及存储在存储器上并可在处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振荡神经网络的信息内容确认方法，其特征在于，包括：将输入的数字信号编码为至少一个第一频率信号；所述数字信号是对待确认信息进行数字化得到；对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号；对每个所述第二频率信号进行分类，输出分类结果，以基于所述分类结果确认所述待确认信息的内容。2.根据权利要求1所述的信息内容确认方法，其特征在于，所述将输入的数字信号编码为至少一个第一频率信号，包括：对所述数字信号每一信号位上的信号进行移位操作，生成对应每一信号位的第一移位信号，所述第一移位信号的信号值处于第一设定范围内；对所述第一移位信号进行低位移出或高位移出操作，生成第二移位信号，所述第二移位信号的信号值处于第二设定范围内；将所述第二移位信号映射至一第一预设映射范围，生成所述第一频率信号，所述第一频率信号为一设定值的N倍，N为大于等于1的正整数。3.根据权利要求2所述的信息内容确认方法，其特征在于，所述对每个所述第一频率信号进行特征抽象化操作，生成对应的第二频率信号，包括：将每个所述第一频率信号映射至一第二预设映射范围，得到对应的第一映射信号，所述第一映射信号为所述第二预设映射范围内的任意整数值；结合一第一预设权重矩阵对所有所述第一映射信号进行乘加计算操作，得到第一乘加结果；将所述第一乘加结果反映射至所述第一预设映射范围，生成对应第二频率信号，所述第二频率信号为所述设定值的N倍，N为大于等于1的正整数。4.根据权利要求3所述的信息内容确认方法，其特征在于，所述对每个所述第二频率信号进行分类，输出分类结果，包括：将每个所述第二频率信号映射至一第三预设映射范围，得到对应的第二映射信号，所述第二映射信号为所述第二预设映射范围内的任意整数值；结合一第二预设权重矩阵对所有所述第二映射信号进行乘加计算操作，得到第二乘加结果；对每个第二乘加结果进行比较，选取响应值最大的所述第二乘加结果作为所述分类结果。5.根据权利要求4所述的信息内容确认方法，其特征在于，还包括：根据所有分类结果中各结果的指数函数值以及所有分类结果中各结果的指数函数值的总数生成各类型分类结果的概率数据；结合交叉熵损失函数和各类型分类结果对应的概率数据，生成分类确认误差。6.根据权利要求5所述的信息内容确认方法，其特征在于，还包括：根据所述分类确认误差对所述第一预设权重矩阵和所述第二预设权重矩...

【专利技术属性】
技术研发人员：杨建磊，雷凡丁，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：