[发明专利]基于单指数核及神经膜电位状态的高效多脉冲算法

说明书

本发明公开一种基于单指数核及神经膜电位状态的高效多脉冲学习算法，主要步骤包括：初始化神经元模型参数；输入脉冲时空模式图；计算V(t)；学习调整；模型验证。本发明能够大幅度的提升神经元的信息整合效率。在神经元学习过程中，省去了繁琐的计算和求导方程，在保持出色的认知处理性能的同时，拥有极快的运行速度和超低的耗能。

技术领域

本发明属于类脑计算、多脉冲学习算法领域，尤其是有关提高脉冲神经元模型的计算效率和学习性能的技术,尤其涉及一种基于单指数核及神经膜电位状态的高效多脉冲算法。

背景技术

人脑中枢神经系统使用脉冲进行信息传输和处理，因此脉冲被认为是人脑拥有出色认知能力和低能耗的关键原因之一。研究人员基于人脑的工作和运行机理，提出了脉冲神经网络，也被称为第三代人工神经网络。脉冲神经元模型结合了时间维度的信息，将输入的脉冲序列进行处理，转换适当的脉冲输出，具有更好的生物合理性。

为了使脉冲神经元对输入进行有效的处理和学习，人们提出了许多种不同的网络模型和学习方法。最近，一种具有强大信息处理和学习能力的多脉冲神经网络学习算法multi-spiketempotron(MST)被提出来。而受到多脉冲网络的启发，研究人员尝试去开发一些更简单、具有更高效率的算法。目前已经存在的大多数算法虽然能取得不错的学习效果，但是它们都基于复杂的计算和求导方程，而且它们的效率与生物神经系统相比还有比较大的差距，同时也不符合实施应用的需求

如何保持出色表现的性能和保持超低能耗仍然是现在神经网络的主要瓶颈之一。同时，这也是将人工智能系统应用在移动设备和穿戴设备上的主要制约条件。

发明内容

本发明提出了一种基于单指数核及神经膜电位状态的高效多脉冲算法。相比之前的算法，本发明能够大幅度的提升神经元的信息整合效率，在神经元学习过程中，省去了繁琐的计算和求导方程，在保持出色的认知处理性能的同时，拥有极快的运行速度和超低的耗能。

本发明的技术方案是基于单指数核及神经膜电位状态的高效多脉冲算法，包括如下步骤：

1)初始化神经元模型参数；

2)输入脉冲时空模式图；

3)计算V(t)；

4)学习调整；

5)模型验证。

本发明单指数核新型神经元模型如下：

N和w_i表示突触前神经元的数目和相对应的突触权重，是第i个突触前神经元发放第j个脉冲的时间，代表当前神经元第j个脉冲的发放时间；

表示神经元的阈值，当膜电位超过阈值时，神经元发射脉冲；

上式表明神经元对传入神经元的突触电流进行整合，此外神经元模型还包含了复位动态，当神经元发射脉冲后，会对自身的膜电位进行复位；

每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重w_i和核函数决定；

是一个核函数，定义为：

在这里，τ表示膜电位的时间常数；

当神经元对输入进行整合，得到V(t)轨迹之后，即可以使用本发明中的学习算法进行调整学习。

本发明基于当前神经元膜电位状态，直接修改接近神经元阈值的电压从而改变输出脉冲的个数，EMLC对神经元的权重调整学习规则如下：

其中