[发明专利]一种基于改进监督学习算法的图像识别方法

说明书

本发明公开了一种基于改进监督学习算法的图像识别方法，包括如下步骤：S1、将图像输入多层脉冲神经网络，编码得到输入脉冲序列；S2、引入延迟策略和噪音阈值对监督学习算法进行改进，并对输入脉冲序列进行学习，得到输出脉冲序列；S3、将输出脉冲序列和目标脉冲序列进行对比，得到误差信号；S4、判断误差信号是否满足要求；S5、调整多层脉冲神经网络模型各层权重和延迟；S6、根据得到的输出脉冲序列，实现图像的识别；本发明解决了现有技术存在的监督学习算法的学习效率低，导致对图像的识别效率无法满足要求，抗噪声能力低，导致在噪音环境下的准确率和效率低，对图像的识别不准确的问题。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于改进监督学习算法的 图像识别方法。

背景技术

20世纪80年代以来，人工神经网络成为人工智能领域研究的热点。其研究 的目的在于抽象人脑的神经元对信息处理的过程，通过比对真实人脑的特征， 建立模型，以不同的连接方式组成不同的人工神经网络。人工神经网络是一个 计算模型，通过不同连接方式的神经元组成。传统的神经网络通常采用阈值形 式，虽然灵活性以及实用性都比较高，但是其并未考虑神经元内时间信息，不 足以表达真实的内脑信息表达。脉冲神经网络(SNN)被称为第三代人工神经 网络，其最大的特点是采用序列形式传递和表达信息,被证明是处理时间和空间 信息的最合适的工具。

近些年来，人工神经网络成为人工智能领域研究的热点。最近的研究表明， 脉冲神经网络(SNNs)能够模拟大脑中的复杂信息处理。有生物证据证明大脑 的神经元使用精确时间的脉冲信号进行编码。然而，精确时间训练神经元的学 习机制仍然是一个悬而未决的问题。从指令或者示范学习是大脑获取新知识和 开发新技能所必需的基本特性，虽然基于指令学习的概念已经被研究了很多年， 但实现这一过程的确切神经元机制至今未被揭露。目前现有的从指令或者示范 学习方法大多数是基于权重调节的，并且各有其优缺点，并没有一种算法能够 在噪音环境下仍然保持良好的准确率和效率。而噪音广泛存在于脉冲神经网络 (SNN)中，因此提出一种在噪音条件下依然具有良好学习能力的算法是非常有意义的。

综上所述，现有技术存在以下问题：

(1)现有脉冲神经网络的监督学习算法的学习效率低，导致对图像的识别 效率无法满足要求；

(2)噪音广泛存在于脉冲神经网络中，现有的监督学习算法抗噪声能力 低，导致在噪音环境下的准确率和效率低，从而对图像的识别不准确。

发明内容

针对现有技术中的上述不足，本发明提供的一种识别效率高以及准确率高 的基于改进监督学习算法的图像识别方法，提高了监督学习算法的学习效率， 以及在噪音环境下的准确率和效率，解决了现有技术存在的监督学习算法的学 习效率低，导致对图像的识别效率无法满足要求，抗噪声能力低，导致在噪音 环境下的准确率和效率低，对图像的识别不准确的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于改进监督学习算法的图像识别方法，包括如下步骤：

S1：根据目标脉冲序列定义图像种类；

S2：将预处理后的图像输入多层脉冲神经网络进行训练，使用延迟相位编 码将图像信息转换成脉冲点火模式，编码得到输入脉冲序列；

S3：引入延迟策略和噪音阈值对监督学习算法进行改进，并使用改进监督 学习算法对输入脉冲序列进行学习，得到输出脉冲序列；

S4：将输出脉冲序列和目标脉冲序列进行对比，得到误差信号；

S5：判断误差信号是否满足要求，若是则进入步骤S7，否则进入步骤S6；

S6：根据误差信号，调整多层脉冲神经网络模型各层权重和延迟，并进入 步骤S3；