[发明专利]基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法

说明书

本发明公开了一种基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法，该方法包括获取光学字符样本集，采用相位编码方法将采用相位编码方法脉冲序列，建立基于膜电压驱动的spiking神经元监督学习模型并进行训练，利用训练后的spiking神经元监督学习模型对待检测光学字符进行识别。本发明通过采用相位编码方法将采用相位编码方法脉冲序列，建立基于膜电压驱动的spiking神经元监督学习模型并进行训练，利用训练后的spiking神经元监督学习模型对待检测光学字符进行识别，显著提高了spiking神经元序列学习的效率，进一步提高了光学字符识别的效率和准确率。

技术领域

本发明属于光学字符识别技术领域，具体涉及一种基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法。

背景技术

Spiking神经网络已经被广泛地用于解决分类问题。多数情况下，基于spiking神经网络计算模型的最终决策是基于单脉冲的激发时间或激发频率，而基于spiking神经网络激发脉冲序列相似度的分类却很少。

传统基于频率编码的神经网络假定生物神经元通过频率编码感知信息。但是，基于频率的编码不能有效地解释视觉，听觉和味觉的快速响应。在大脑的不同区域相继发现基于spike时间的神经活动，包括视网膜，外侧膝状核和视觉皮层。越来越多的研究人员相信生物神经系统的信息编码是通过精确的spike激发时间。为了模拟spike时间编码的特征，spiking神经网络作为“第三代神经网络”应运而生。理论证明基于时间编码的spiking神经元比传统基于频率编码的神经网络具有更加强大的计算能力。但是目前基于spiking神经元的应用还比较简单，其强大的时序信息处理能力并未得到有效利用，其中一个重要的原因是缺少一个高效，快速的学习算法来解决该问题。研究人员已经提出了许多针对Spiking神经网络的学习算法。

相比于无监督学习，spiking神经网络的监督学习算法目前有更多的研究成果。按照学习的机制可以分为脉冲驱动(spike-driven)和膜电压驱动(membrane potential-driven)两种方式。脉冲驱动学习算法是基于脉冲的目标激发时刻和实际激发时刻来调整权重，而膜电压驱动学习算法则以神经元在不同时刻的膜电压为信号进行权重调整。