[发明专利]面向功耗的混合粒子群脉冲神经网络映射方法

说明书

本发明公开了一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件。本发明的技术方案克服了基本粒子群算法性能的缺陷，既能够发挥粒子群算法原有的搜索能力，也能克服因基本粒子群算法过早收敛，容易陷入局部最优缺点，使算法能够搜索到全局最优解，有效地降低了系统功耗，增强了映射方案的应用性。

技术领域

本发明涉及智能优化领域，尤其涉及一种面向功耗的混合粒子群脉冲神经网络映射方法。

背景技术

脉冲神经网络（Spiking Neuron Networks，SNN）的研究日益成为计算智能领域中的一个研究热点。脉冲神经网络采用基于时间脉冲序列的编码方式，更接近于脑科学对生物神经系统的认识。相对于传统的神经网络，脉冲神经网络表现出了更强的仿生特性和计算能力。

作为迄今最具生物真实性的人工神经网络模型，脉冲神经网络的全部神经元具有和生物神经元类似的电位脉冲触发机制，这种机制使得脉冲神经网络与基于脉冲频率编码信息的传统人工神经网络相比，具有更强的计算能力，同时可以对各种神经信号和连续函数进行模拟，十分适合对复杂时空信息及大脑神经信号进行处理，如模式识别、数据预测等。

基于其良好的生物学特性和强大的计算能力，希望能够建立模拟哺乳动物大脑关键信息处理机制的类脑硬件系统。但是哺乳类动物的大脑神经元数量超过个，脉冲神经网络规模必然十分巨大，而现有的方法并不能有效地提供百万数量级的神经元/突触之间的相互连接。采用常规软件计算的方式来模拟脉冲神经网络，例如基于传统计算机的纯软件模拟，并不能充分体现发挥脉冲神经网络的并行性优势，而且其执行速度过慢，以至于无法实时不能模拟对大规模脉冲神经网络进行运算，并且系统的可扩展性较差。但是常见硬件实现方式，例如并行GPU，则存在功耗高等缺点。因此，为了克服现有软件或硬件方式在实现脉冲神经网络过程中出现的问题，需要研究一种新的全定制硬件架构是非常必要的。

片上网络（Network-on-chip，NoC）技术上的研究成果，为实现大规模脉冲神经网络硬件互联提供了较好的思路和机制。片上网络作为一种独特的片上通信方式，在多个领域有着广泛的应用，得到了较好的发展。其包括计算和通信子系统。计算子系统由大量的计算单元（Processing Element，PE）组成，负责完成广义的计算任务。通信子系统由路由器及其连接的通信链路组成，负责计算单元的通信互连，能够实现数据资源的高速交互。近年来，片上网络技术用于实现脉冲神经网络的大规模互连，其中神经元和突触映射到片上网络的计算单元模块、脉冲神经元的轴突由片上网络的通信路径来构成，而神经元间的连接结构则由片上网络的拓扑结构来模拟。基于这一方法，使得大规模脉冲神经网络的硬件互连成为可能。

采用NoC架构的硬件系统实现脉冲神经网络的过程中，功耗是影响系统性能的重要因素，高温将使系统性能受到影响，甚至使系统功能受损，所以脉冲神经网络硬件系统功耗问题成为系统设计的焦点之一。

发明内容

针对现有技术的不足，本发明解决的技术问题是在采用NoC架构的硬件系统实现脉冲神经网络的过程中，有效地对脉冲神经网络硬件系统的功耗进行优化，降低因映射问题带来的硬件系统功耗，提高系统性能。

为解决上述技术问题，本发明提供的技术方案是一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件, 包含以下步骤：

第1步：初始化：设置粒子群中粒子数量、最大迭代次数I、突变阈值，按照粒子表示方式随机生成初始粒子群、当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正；