[发明专利]基于STDP非监督学习算法的脉冲神经网络模型构建方法

权利要求书

1.一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型，每层神经元分别通过若干条突触与其它层神经元互连，而每层内部神经元相互独立。

2.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型是基于数字硬件电路平台进行设计，采用硬件描述语言进行编写的模型。

3.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：神经元采用的是脉冲响应模型SRM，外界输入信号将引起细胞膜电位的变化，当膜电势超过阈值，神经元将会发放脉冲，然后进入耐火期，并且不对任何外界刺激做出反应；相反则不会发放脉冲。

4.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：输入到所述脉冲神经网络模型的图像信息，每个像素点都按照规律的时钟频率进行脉冲编码，每个脉冲信号带有时间信息编码，每层神经元都会分别接收和发放带有精准时间信息的脉冲信号。

5.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：所述脉冲神经网络模型根据前后脉冲发放时间差即可实现训练过程，所有输出神经元能够在准确的时间开火，即完成整个脉冲神经网络的训练过程。

6.根据权利要求1所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于：输入层神经元只参与图像信息编码，向下一层神经元发放脉冲，并不参与计算；其它层神经元在接收到输入信号，细胞膜电位将会发生变化，其大小由后突触兴奋强度和权值大小共同决定。

7.根据权利要求1-6任意一项所述的基于STDP非监督学习算法的硬件友好型脉冲神经网络模型，其特征在于，所述STDP非监督学习算法，包括以下步骤：

步骤1：脉冲编码；

针对输入层神经元，参考时域编码的规则，对于存在外界刺激的神经元，将以一定时钟频率不断产生脉冲信号，并且根据信号产生先后顺序编码时间信息；否则神经元将一直保持平息状态；

步骤2：突触连接；

进行突触权值的读取、更新及存储，包括读/写使能信号端口、数据输入/输出端口、时钟信号及复位信号，输出数据流向神经元；

步骤3：构建神经元模型；

采用了脉冲响应模型SRM，包括脉冲输入/输出端口、突触权值输入端口、配置信息输入端口、乘法器、加法器、比较器、时钟信号及复位信号，当细胞兴奋电位超越了阈值，神经元将会通过脉冲输出端口以一定时钟频率向后发放脉冲，并且细胞膜电位按照配置的衰减系数衰减，进入耐火阶段；

步骤4：利用STDP非监督学习算法对脉冲神经网络进行训练；

根据前后脉冲时间差的特点对突触权值训练，即更新突触权值，包括突触权值输入/输出端口、使能信号、时间信息输入端口、时钟信号及复位信号；输出数据流向突触；

步骤5：输出层神经元的分类结果未达到预期，重复步骤1-步骤4操作，直至其能够实现精准时间开火，网络训练结束。