【技术实现步骤摘要】
本专利技术涉及人工神经网络，特别是涉及一种基于脉冲神经网络的神经形态计算系统及计算方法。
技术介绍
1、通过模拟大脑神经元的活动机制，结合生物学原理和硬件设计，基于脉冲神经网络（spiking neural network，简称snn）的神经形态处理器旨在实现高效的计算和任务执行，特别是具有在线学习和事件驱动的特性。这类处理器被广泛应用于医学影像处理、自动驾驶、智能监控和智能交通等领域，是神经形态计算领域的重要研究方向。与传统的人工神经网络电路（如卷积神经网络，简称cnn）不同的是，它通常依赖于连续信号处理和固定训练模型。对于动态变化和数据稀疏的处理，这些方法效果通常不佳。此外，基于cnn的硬件设计未能完全重现人类大脑的生物特性及其动态学习能力，其近似计算模拟能力较差，且其复杂的计算以及庞大的计算量在硬件资源受限和能源效率较低的环境下的适应能力较差，通常依赖于对实时应用和环境的离线训练。没有在线学习的功能意味着一旦将模型部署到硬件电路中，其计算能力只能基于固定的原训练好的模型进行推理，而无法适应对新的事务进行进一步的学习与准确推理。
2、目前，脉冲神经形态处理器面临着一系列关键问题，如硬件资源消耗过大，神经元计算效率低下，在线学习方法受到限制，芯片之间的数据传输缺乏灵活性等，这些问题都制约着它在实际场景中的落地部署和普及应用。也限制了神经形态处理器在计算机系统中的部署。在这些问题中，其内部的计算核心，即脉冲神经元的资源开销更大，计算效率较低的神经形态芯片成为制约其性能提升的重要因素。例如，基于电流的模型使神经元行为具
3、现有技术中的神经形态计算系统设计通常缺乏足够的灵活性。对于部署有snn处理器的计算系统而言，存在各类技术问题，尤其时间窗口设计时会由于各个网络层处理时间的差异，进而引发时间不匹配的问题。这种不匹配会导致某一层计算完成后，必须等待前一层网络层计算结束，从而浪费计算资源。因此，如何设计更接近生物特性的准确的人工物理神经元以及联合多个物理神经元组建脉冲神经网络实现精确的目标识别，是当前技术面临的主要挑战。如何在人工设计的物理神经元动态适配多尺度图像输入和支持不同时间窗口的脉冲序列与大规模脉冲神经网络的计算，实现接近生物特性的准确度以及尽可能地节省硬件计算资源，是当前智能化计算机系统实现计算高效、准确的图像识别的核心目标。
技术实现思路
1、现有神经形态处理器及计算系统中存在硬件资源开销大、计算效率低、在线学习能力有限、路由调度不足等技术问题，为了解决上述现有技术存在的问题，本专利技术受生物模型启发，面向将神经形态计算技术应用于实时智能计算机系统的目标，设计出近似的神经计算模型，能够高效模拟生物神经系统的复杂计算功能。具体地，本专利技术提出了一种能够动态更新和高效处理复杂任务的可在线学习的神经形态计算系统，实现更高效、更准确、更轻量、更灵活的神经形态计算效果，实现在识别精度、响应速度和硬件资源消耗三者之间的高度平衡，最终实现智能的图像目标识别任务的处理。本专利技术提供的技术方案适用于各个需要进行人工智能神经网络计算的计算机系统或嵌入式系统
，如自动驾驶、物联网、机器人、无人机、医疗影像处理、智能监控系统和智慧交通等，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一种基于脉冲神经网络的神经形态计算系统，包括：
4、神经形态处理器，神经形态处理器，用于采用若干个物理神经元构建硬件化的脉冲神经网络，通过所述脉冲神经网络对实时输入图像进行脉冲编码和目标识别；所述物理神经元采用近似生物神经元模型构建；所述近似生物神经元模型预存有突触权重和激活阈值；
5、基于risc-v指令架构实现的中央处理器，与所述神经形态处理器通信，用于执行构建所述脉冲神经网络所需的控制指令；
6、所述神经形态处理器，还用于在所述控制指令的控制下对所述脉冲神经网络进行在线学习，对所述脉冲神经网络的每个物理神经元所关联的突触权重和激活阈值进行更新；
7、存储器，用于存储所述中央处理器运行所需的程序指令，所述程序指令包括构建所述脉冲神经网络所需的控制指令；以及，用于存储所述中央处理器与所述神经形态处理器之间传输的数据。
8、优选地，所述中央处理器为单发射乱序执行的risc-v处理器；所述risc-v处理器包括处理器前端、指令缓冲单元和处理器后端；
9、所述处理器前端包括程序译码器、取指单元和动态分支预测器；
10、所述程序译码器，用于将控制所述脉冲神经网络运行的计算机程序转换为risc-v指令流，并将所述risc-v指令流输送至所述存储器中进行存储；
11、所述取指单元，用于访问所述存储器，读取与当前时钟周期的程序计数值相对应的单条risc-v指令并将其输送至所述指令缓冲单元；所述程序计数值用于作为访问所述存储器的读地址；
12、所述动态分支预测器，用于预测出下一时钟周期的程序计数值；
13、所述指令缓冲单元，用于对所述取指单元读取的risc-v指令进行缓冲，将所述risc-v处理器的前端计算线程与后端计算线程进行隔离；
14、所述处理器后端为由译码单元、发射单元、物理寄存器堆、执行单元和退休单元组成的五级流水线架构，用于读取所述指令缓冲单元的risc-v指令并对其依次进行译码、发射、读写物理寄存器堆、乱序计算，以及，指令退休操作，实现所述risc-v处理器与所述神经形态处理器的数据交互。
15、优选地，所述近似生物神经元模型包括充电模型和放电模型，其中：
16、充电模型为：
17、基准衰减式充电模型：，或者，
18、增量衰减式充电模型：，
19、放电本文档来自技高网...
【技术保护点】
1.一种基于脉冲神经网络的神经形态计算系统，其特征在于，该系统包括：
2.根据权利要求1所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述中央处理器为单发射乱序执行的RISC-V处理器；所述RISC-V处理器包括处理器前端、指令缓冲单元和处理器后端；
3.根据权利要求1所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述近似生物神经元模型包括充电模型和放电模型，其中：
4.根据权利要求3所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述神经形态处理器包括：脉冲编码器、多个并行计算的脉冲神经计算核、至少一个脉冲神经决策核，以及，一级路由器；
5.根据权利要求4所述的基于脉冲神经网络的神经形态计算系统，其特征在于，每个所述脉冲神经计算核和所述脉冲神经决策核中分别还包括在线学习单元；所述在线学习单元包括：遗忘失活器、冻结器、随机学习器和参数更新器；
6.根据权利要求4所述的基于脉冲神经网络的神经形态计算系统，其特征在于，每个所述物理神经元包括：PE近似计算阵列、近似加法树和脉冲发放决策单元；
8.根据权利要求4所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述脉冲编码器包括多个卷积滤波器，池化器，以及，时空编码器；
9.根据权利要求6所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述第一近似加法器和所述第二近似加法器均为带纠错机制的推测进位加法器；
10.一种基于脉冲神经网络的神经形态计算方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于脉冲神经网络的神经形态计算系统，其特征在于，该系统包括：
2.根据权利要求1所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述中央处理器为单发射乱序执行的risc-v处理器；所述risc-v处理器包括处理器前端、指令缓冲单元和处理器后端；
3.根据权利要求1所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述近似生物神经元模型包括充电模型和放电模型，其中：
4.根据权利要求3所述的基于脉冲神经网络的神经形态计算系统，其特征在于，所述神经形态处理器包括：脉冲编码器、多个并行计算的脉冲神经计算核、至少一个脉冲神经决策核，以及，一级路由器；
5.根据权利要求4所述的基于脉冲神经网络的神经形态计算系统，其特征在于，每个所述脉冲神经计算核和所述脉冲神经决策核中分别还包括在线...
【专利技术属性】
技术研发人员：骆爱文，叶俊伟，练显聪，刘伟平，石敏，
申请(专利权)人：暨南大学，
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。