【技术实现步骤摘要】
一种基于阈值增量循环计数的混合STDP训练方法及系统
[0001]本专利技术涉及神经网络训练和人工智能
,尤其涉及一种基于阈值增量循环计数的混合STDP训练方法及系统。
技术介绍
[0002]脉冲神经网络(SNN)作为第三代神经网络具有高仿生性和低功耗的特点。脉冲神经网络的常见训练方法之一是根据脉冲时间依赖可塑性(STDP)学习规则,STDP通过仿生模型建立脉冲到来时间与权重的相关性模型来改变神经元突触联系强度。现有的STDP训练方法主要有无监督STDP、有监督STDP和混合STDP,其中无监督STDP在轻量级神经网络中表现良好,但不适用于深层网络;有监督STDP进一步改善了网络的分类准确率,但这种训练方法依赖复杂数学模型来提升精度;混合STDP结合了有监督和无监督的训练方法,先使用无监督方法预训练,随后配合有监督指导信号调整模型权重的方法,大大提升了STDP方法的训练精度和使用便利性。
[0003]但是,现有的混合STDP算法,由于其网络结构普遍存在卷积层、池化层等特定网络层,使其在应用中仍存在适用范围窄、结构受限、学习效率低等问题。在实际使用过程中通常需要搭配额外建立的优化策略以增强算法工作的适应性,其网络可拓展深度以及学习效率人肉干存在显著不足。
[0004]另一方面,现有的各类STDP训练方法,多采用侧抑制和内稳态机制以保证整体网络状态平稳。侧抑制机制是指收到脉冲的神经元对其他神经元接收脉冲产生抑制作用,从而使每个神经元能有效学习对应知识。一种常见的实现内稳态方法为权值缩放,该方法将所有 ...
【技术保护点】
【技术特征摘要】
1.一种基于阈值增量循环计数的混合STDP训练方法,其特征在于,包括:S1、构建STDP网络架构,所述STDP网络架构包括用于接收脉冲信号的输入层、执行非线性离散特征转换的隐藏层和分类输出层;S2、对输入层、隐藏层和分类输出层执行无监督学习进程,所述无监督学习进程包括基于稳态机制的膜电压更新;S3、对神经元的阈值电压增量进行计数,当阈值电压增量到达预设的计数值时,神经元重新发送脉冲并重置阈值电压增量的计数;S4、判断神经元的当前电压与未来电压是否相等,当判断神经元的当前电压与未来电压不相等时,重复执行无监督学习进程;S5、当判断神经元的当前电压与未来电压相等时,结束无监督学习进程,获得第一训练结果。2.如权利要求1所述的方法,其特征在于,所述混合STDP训练方法还包括:S6、对分类输出层执行有监督学习进程,获得第二训练结果,所述有监督学习进程包括基于指导信号的膜电压更新;S7、使用第二训练结果修正第一训练结果,调整神经元对应的权重值;S8、根据调整后的权重值判断神经元是否属于弱响应神经元,并剔除被判定的弱响应神经元。3.如权利要求2所述的方法,其特征在于,所述STDP网络架构包括基于LIF神经元的网络架构,所述LIF神经元如式1所示:式1中,τ
m
为泄露常数,U是神经元膜电压,U
th
是阈值电压,U
r
是重置电压,C
m
为膜电容,R
m
为膜电阻,U[t]表示当前时刻膜电压,U[t
‑
1]代表上一时刻膜电压,是膜电压泄露项,O[t]代表脉冲发射函数,W
i,j
是神经元i和神经元j相连的突触权重。4.如权利要求3所述的方法,其特征在于,所述基于稳态机制的膜电压更新如式2所示:式2中,V
i
代表突触前神经元i上的膜电位,U
th,j
代表突触后神经元j上的阈值电压,t是训练时间窗,T是训练时间总和,ΔU
n,E
为稳态中膜电位更新值,ΔU
n,P
为突触后膜电位更新值,在与K个神经元相连的神经元i上,当前电压U
n
和未来电压U
f
将趋近一致。5.如权利要求3所述的方法,其特征在于,所述基于指导信号的膜电压更新如式3所示:dU<...
【专利技术属性】
技术研发人员:曹健,车锦铭,王源,冯硕,曹昕妍,
申请(专利权)人:北京大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。