[发明专利]基于脉冲神经网络模型增量学习的分类方法、系统、装置

权利要求书

1.一种基于脉冲神经网络模型增量学习的分类方法，其特征在于，该方法包括以下步骤：

步骤S10，获取待分类的样本数据集，作为输入数据集；

步骤S20，通过脉冲神经网络模型获取所述输入数据集中各输入数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；

步骤S30，对各输入数据，计算其对应的分类输出值与各平均输出值的差值，若其对应的最小差值小于设定阈值，则将最小差值对应的平均输出值所属的类作为当前输入数据的最终分类结果，并跳转步骤S50，否则跳转步骤S40；

步骤S40，对所述脉冲神经网络模型，在其输出层中增加一个皮质柱模型，并结合各输入数据，更新其输出层的上一层与所述皮质柱模型的连接权重；更新后跳转步骤S30；

步骤S50，判断是否获取所有输入数据的最终分类结果，若是则结束；

其中，所述皮质柱模型其构建方法为：基于漏电微分发放模型LIF构建神经元模型，并结合各神经元模型之间的连接权重，构建皮质柱模型；所述连接权重为各神经元之间的欧氏距离；

所述脉冲神经网络模型以各皮质柱模型替换神经元构建。

2.根据权利要求1所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，所述脉冲神经网络模型，其训练方法为：

步骤A10，基于漏电微分发放模型LIF构建神经元模型，并结合各神经元模型之间的连接权重，构建皮质柱模型；所述连接权重为各神经元之间的欧氏距离；

步骤A20，以各皮质柱模型替换神经元构建脉冲神经网络模型；

步骤A30，获取训练样本数据，并通过所述脉冲神经网络模型获取所述训练样本数据的分类输出值，作为预测输出值；

步骤A40，将所述脉冲神经网络模型的输出层的层数初始化为N；

步骤A50，计算所述脉冲神经网络模型第N层的预测输出值与真实输出值的误差，并根据该误差，更新所述脉冲神经网络模型第N层与第N-1层的连接权重；

步骤A60，对所述脉冲神经网络模型，将其第N层的真实输出值与更新后的连接权重相乘，得到其第N-1层的真实输出值；

步骤A70，判断是否更新完所述脉冲神经网络模型的所有层的连接权重，若是，则跳转步骤A80，否则，令N＝N-1，跳转步骤A50；

步骤A80，循环执行步骤A30-步骤A70，直至得到训练好的脉冲神经网络模型。

3.根据权利要求1所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，步骤A50中“计算所述脉冲神经网络模型第N层的预测输出值与真实输出值的误差”，其方法为：

其中，e为预测输出值与真实输出值的误差，为脉冲神经网络模型第N层预测输出值，S_N^T表示脉冲神经网络模型第N层的真实输出值。

4.根据权利要求3所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，步骤A60中“将其第N层的真实输出值与更新后的连接权重相乘，得到其第N-1层的真实输出值”，其方法为：

其中，表示脉冲神经网络模型第N层与第N-1层的权重，表示脉冲神经网络模型第N-1层的真实输出值。

5.根据权利要求1所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，所述脉冲神经网络模型其第l层中的第j个皮质柱模型的膜电位计算方法为：

其中，C为细胞膜电容，V_m为神经元模型的膜电位，I为神经元模型的输入电流，g_leak为漏电导，E_leak为漏电流稳态电势，I_i为第l-1层中第i个皮质柱模型中放电的神经元模型的个数，W_ji表示第l层中第i个皮质柱模型与第j个皮质柱模型的连接权重，t表示时间。

6.根据权利要求4中所述的基于脉冲神经网络模型增量学习的分类方法，其特征在于，步骤S40中“更新其倒数第二层与所述皮质柱模型的连接权重”，其方法为：通过Hebbian学习法则更新脉冲神经网络模型倒数第二层与所述皮质柱模型的连接权重。