[发明专利]一种手写数字识别模型训练方法和系统

权利要求书

1.一种手写数字识别模型训练方法，其特征在于，包括：

将MNIST训练数据集和STDP突触初始权值矩阵输入全局脉冲神经网络模型，全局脉冲神经网络模型中包含各神经元模型和各突触模型；

根据计算机资源动态使用多线程对全局脉冲神经网络模型的神经元群体进行预先划分；

建立线程内局域脉冲神经网络模型，将每个独立线程内的神经元群体、突触连接关系和突触权值进行初始化；

在初始化完成后，对所有线程内局域脉冲神经网络模型按照预设轮数进行迭代训练，其中，在训练期间不断进行周期同步与脉冲传输；

在训练结束后，保存各个线程的所有STDP突触最终权值，整合生成突触权值矩阵并保存；

根据计算机资源动态使用多线程对全局脉冲神经网络模型的神经元群体进行预先划分，包括：

根据计算机的CPU个数创建多个线程，每个线程独立占用一个CPU，其中，创建的线程个数不超过计算机的CPU个数；

在每个线程中，输入神经元连接到兴奋神经元的STDP突触数量为K×(I/X)个，兴奋神经元连接到抑制神经元的静态突触数量为I/X个，抑制神经元连接到兴奋神经元的静态突触数量为((400/x)-1)×(400/X)个，匹配神经元连接到兴奋神经元的静态突触数量为(I/X-1)×(1-I/X)个，其中，X为CPU个数；

每个线程内局域脉冲神经网络模型包括四层网络结构，分别为：输入层M₁、兴奋层M₂、抑制层M₃和映射层M₄；

输入层M₁输入神经元a_k范围为：k＝1，2，...，K，兴奋层M₂兴奋神经元b_i范围为：x×I/X，...，(x+1)×I/X，抑制层M3抑制神经元c_i范围为：x×I/X，...，(x+1)×I/X，映射层M₄映射神经元d_j范围为：1，...，x×I/X或(x+1)×I/X，...，I；

M₁＝{A_i＝{a_k；k＝1，2，...，K}；i＝1，2，...I/X}

M₂＝{b_i；i＝x×I/X，...，(x+1)×I/X}

M₃＝{c_i；i＝x×I/X，...，(x+1)×I/X}

M₄＝{d_j；j＝1，...，x×I/Xor(x+1)×I/X，...，I}

M₁到M₂的突触集合为：

F₁₂＝{P_i′I＝{f_ki＝(a_k，b_i，w′_ii)；k＝1，2，...，K}；i′，i＝x×I/X，...，(x+1)×I/X}

M₂到M₃的突触集合为：

F₂₃＝{r_ii＝(b_i，c_i，w′_ii)；i′＝x×I/X，...，(x+1)×I/X且i′≠i；i＝x×I/X，...，(x+1)×I/X}

M₃到M₂的突触集合为：

F₃₂＝{Q_i＝{f_ii′＝(c_i，b_i′w′_ii′)；i′＝x×I/X，...，(x+1)×I/X且i′≠i}；i＝x×I/X，...，(x+1)×I/X}

M₄到M₂的突触集合为：

F₄₂＝{S_j＝{f_ji＝(d_j，b_i，w′_ji)；i＝x×I/X，...，(x+1)×I/X}；j＝1，...，x×I/Xor(x+1)×I/X，...，I}

在局域脉冲神经网络中，所有的神经元状态均为预设默认静息状态，STDP突触F₁₂接收均匀分布随机值作为训练初始权值并在每周期保持更新状态，静态突触F₂₃、F₃₂和F₄₂接收预设默认值作为训练初始权值并在每周期保持固定状态。