[发明专利]一种面向多脉冲神经网络监督学习的精确突触调整方法

权利要求书

1.一种面向多脉冲神经网络监督学习的精确突触调整方法，其特征在于，包括如下步骤：

步骤1：利用LIF神经元对膜电压与突触电流进行仿真计算

在LIF神经元电路中，当电流I不断增大时，电容C两极的电压会冲破阈值V_th，此时会激发一个脉冲信号传递给下一层神经元；电路总电流的公式为：

将时间设为一个常数T，并且令T＝RC，上述式子变形为：

当电压在t＝t^f时达到阈值V_th，产生一个脉冲激励；在此之后，电压会被迅速重置为初始值，并开始新一轮的累计；重设电压的表达式为：

此时，神经元膜电压的动态方程如下所示：

V_m是膜电压，E是复位电压，I_ns是环境噪声电流，I_syn是突出输入电流，R_m是膜电阻；当V_m超过阈值V_th，该神经元就会放出脉冲，同时电压回归E；

步骤2：基于W-H规则进行突触权值调整

SNN神经元产生的脉冲有序数列S＝{t^f:f＝1,…F}，表示为：

δ(x)表示Dirac delta函数，若x＝0时，δ(x)＝1，否则δ(x)＝0；t^f是第f个脉冲产生的时间；SNN学习算法针对原始信号给出的多个输入脉冲序列S_i(t)及预先设定的多个目标脉冲序列S_d(t)，学习得到合适的SNN突触权值矩阵w，使神经元实际输出脉冲序列S_o(t)与S_d(t)尽可能接近；

基于W-H规则的权值误差计算如下：

突触后神经元在时间T内所获取的输入电流I_syn：

其中，w_i代表时间T内第i个输入神经元的权重，则是不加权重的第i个输入神经元的突触后电流大小：

H(x)是Heaviside函数，当x0时其值为0，当x＝0时其值为0.5，当x0时其值为1；是PSP的归一化表达式：

权值误差的微分原始定义为：

由此推导出Δw_i与突触后电流的关系；定义输入脉冲序列S_i(t)，实际输出脉冲序列S_o(t)和期望输出脉冲序列S_d(t)的表达式：

其中，F₁，F₂，F₃表示脉冲序列的最大个数；利用微积分定理得到Δw_i与实际输出脉冲序列S_o(t)、期望输出脉冲序列S_d(t)及突触后电流的关系如下：

将式子展开得到Δw_i的最终形式：

步骤3：利用SRM神经元实现膜电压阈值动态计算

利用SRM神经元模型实现膜电压阈值动态调整，SRM神经元模型的仿真公式为：

其中，w_i表示突触权值，是突触后电势，是外部刺激电压；表示PSP达到阈值后产生不应期并重置为初始值的过程；将输出神经元在目标脉冲输出时间t_d的电压表示为并且希望此函数值等于或高于阈值电压V_th；但在一开始的训练过程中，神经元电位在实际脉冲输出时间t_o时的电压才会大于等于阈值电压；因此将当前阈值电压的计算公式设为：

令为前一次迭代后的阈值电压，则当前阈值电压的改变量为：

∑h_i(t_o-t_d)和V^ext都是常数，对关于w_i求导可得：

则Δv_th(t_o)化简成：