[发明专利]基于膜电位调控脉冲神经网络的图像分类方法、系统

说明书

本发明属于计算神经科学及图像分类技术领域，具体涉及了一种基于膜电位调控脉冲神经网络的图像分类方法、系统，旨在解决现有图像分类采用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘的问题。本发明方法包括：通过训练好的图像分类神经网络对分类任务图像进行分类。网络基于三层前馈神经网络构建；基于顺行前馈、膜电位改变和输入电流平衡，分别进行膜电位信息更新；以网络当前层的误差反传上一层调整当前层权值；通过STDP学习机制更新网络突触权值。本发明借鉴生物发现，网络训练所需样本少、收敛快、正确率高，并将受生物现象启发的学习规则加入到网络学习框架中来，模型计算能力强、适应能力高。

技术领域

本发明属于计算神经科学及图像分类技术领域，具体涉及了一种基于膜电位调控脉冲神经网络的图像分类方法、系统。

背景技术

虽然深度学习(DNN，Deep Neural Network)在单一任务上的优异表现显示出了相对其他模型(甚至人类对手)的巨大优势，但是DNN只是借鉴了大脑视觉系统的小部分工作机理，在更广泛的实际应用中已经暴露出了不少缺陷。网络虽然对特定样本的识别正确率很高，但是显然模型并没有真正对图片形成认知和理解，因此容易发生啼笑皆非的测试结果(如将黄黑色条纹的图片以极高的置信度识别为校车)。

人工神经网络可以借鉴的生物发现包括：神经元中突触的位置差异性、神经元突触的信息延迟、不同神经元非线性信息处理模式的差异、快速的神经突触可塑性调节方法、微观环路的非监督式的网络学习方法、宏观生物网络的多脑区的协同能力。由此可以看出，人工神经网络模型仍然还有很多生物机制可以借鉴，而这些可以借鉴的原则机理很可能对实现通用人工智能网络提供帮助。脉冲神经网络(Spiking Neural Network,SNN)被认为是第三代神经网络模型，其运算方式和模型基础与人脑更为相近。目前，脉冲神经网络已在图片分类、工作记忆保持、音频信息处理等多项任务中得到了初步应用。

总的来说，现有的图像分类方法使用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘，图像分类中可能会出现明显的错误结果。

发明内容

为了解决现有技术中的上述问题，即现有图像分类采用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘的问题，本发明提供了一种基于膜电位调控脉冲神经网络的图像分类方法，该图像分类方法包括：

步骤S10，获取分类任务图像作为待处理图像；

步骤S20，基于所述待处理图像，通过训练好的图像分类神经网络获取待处理图像的类别；

步骤S30，输出待处理图像的类别；

其中，所述图像分类神经网络基于三层前馈脉冲神经网络构建，其构建和训练方法为：

步骤B10，构建积分-放电单元，并基于所述积分-放电单元构建图像分类神经网络；所述图像分类神经网络包括三层前馈脉冲神经网络；所述前馈脉冲神经网络包括多个兴奋性积分-放电单元、抑制性积分-放电单元、突触；

步骤B20，基于顺行前馈，膜电位从所述图像分类神经网络第一层开始依次传递到后面的逐层，进行膜电位信息更新；基于膜电位改变和输入电流达到平衡，进行膜电位信息更新；

步骤B30，以膜电位信息更新后的图像分类神经网络当前层的误差信息，向上反传一层实现当前层的权值调整，获得第一图像分类神经网络；

步骤B40，基于所述第一图像分类神经网络，通过STDP学习机制非监督的根据膜电位信息的变化更新网络突触权值，获得训练好的图像分类神经网络。

在一些优选的实施例中，所述积分-放电单元为HH神经元、LIF神经元、Izhikevich神经元中的一种。