[发明专利]一种基于延迟机制的单层图像分类方法

权利要求书

1.一种基于延迟机制的单层图像分类方法，其特征在于，包括以下步骤：

S1、构建图像分类模型；

S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；

S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；

所述步骤S1中图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和单层分类器；

所述特征提取单元用于对图像进行特征提取，得到特征图像数据；

所述脉冲延迟编码单元用于对特征图像数据进行编码，得到激发脉冲时间序列；

所述单层分类器用于处理激发脉冲时间序列，得到图像的类别；

所述单层分类器的输入层包括：正模式L+和负模式L-两类神经元，共计N个神经元；

其训练方法为：

A1、根据激发脉冲时间序列，计算激发脉冲时间序列在输入到单层分类器的输入层神经元后，输入层神经元的脉冲膜电位电压：

所述步骤A1中计算输入层神经元的脉冲膜电位电压的公式为：

其中，V(t)为输入层神经元的脉冲膜电位电压，ω_i为输入层第i个神经元的权重，t_i为第i个像素点对应的激发脉冲时间点，d_i为输入层第i个神经元的延迟，t为时间，V₀为输入层神经元的脉冲膜电位电压的初值，exp( )为指数函数，τ_m、τ_s均为时间常量，V_rest为静息电压；

A2、判断在正模式L+下，时刻输入层神经元的脉冲膜电位电压是否小于阈值，若是，则找到时刻之前的所有激发脉冲时间点，在d_i延迟上增加延迟并跳转至步骤A3，若否，则跳转至步骤A8，其中，为激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟；

步骤A2中增加的延迟的计算公式为：

其中，ω_i为输入层第i个神经元的权重，t_i为第i个像素点对应的激发脉冲时间点，为正模式L+下，激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟，V₀为输入层神经元的脉冲膜电位电压的初值，exp( )为指数函数，τ_m、τ_s均为时间常量；

A3、判断此时输入层是否存在一个神经元的延迟d_i小于0，若是，则将对应神经元的延迟d_i置为0，并跳转至步骤A4，若否，则跳转至步骤A4；

A4、重新计算并判断时刻输入层神经元的脉冲膜电位电压是否达到阈值，若否，则跳转至步骤A5，若是，则跳转至步骤A8；

A5、增加时刻之前所有神经元的权重；

所述步骤A5中增加的权重的计算公式为：

其中，λ为学习率，t_i为第i个像素点对应的激发脉冲时间点，为正模式L+下，激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟，V₀为输入层神经元的脉冲膜电位电压的初值，exp( )为指数函数，τ_m、τ_s均为时间常量；

A6、重新计算并判断时刻输入层神经元的脉冲膜电位电压是否达到阈值，若否，则跳转至步骤A7，若是，则跳转至步骤A8；

A7、判断时刻是否达到设定时间阈值，若是，则跳转至步骤A8，若否，则增加时刻的值，并跳转至步骤A2；

A8、判断在负模式L-下，最大的输入层神经元的脉冲膜电位电压是否大于阈值，若是，则找到时刻之前的所有激发脉冲时间点，在d_i延迟上增加延迟并跳转至步骤A9，若否，则跳转至步骤A12，其中，为最大的输入层神经元的脉冲膜电位电压对应的激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟；

步骤A8中增加的计算公式为：

其中，ω_i为输入层第i个神经元的权重，t_i为第i个像素点对应的激发脉冲时间点，为负模式L-下，激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟，V₀为输入层神经元的脉冲膜电位电压的初值，exp( )为指数函数，τ_m、τ_s均为时间常量；

A9、判断输入层是否存在一个神经元的延迟d_i小于0，若是，则将对应神经元的延迟d_i置为0，并跳转至步骤A10，若否，则跳转至步骤A10；

A10、重新计算并判断时刻输入层神经元的脉冲膜电位电压是否大于阈值，若是，则跳转至步骤A11，若否，则跳转至步骤A12；

A11、增加时刻之前所有神经元的权重，并跳转至步骤A8；

步骤A11中增加的权重的计算公式为：

其中，λ为学习率，t_i为第i个像素点对应的激发脉冲时间点，为负模式L-下，激发脉冲时间序列的某个时间点，d_i为输入层第i个神经元的延迟，V₀为输入层神经元的脉冲膜电位电压的初值，exp( )为指数函数，τ_m、τ_s均为时间常量；

A12、对单层分类器的训练完成。

2.根据权利要求1所述的基于延迟机制的单层图像分类方法，其特征在于，所述脉冲延迟编码单元对特征图像数据进行编码的公式为：

t_i＝t_max-ln(ax_i+1) (1)

其中，t_i为第i个像素点对应的激发脉冲时间点，t_max为编辑时间窗的大小，a为编码参数，x_i为特征图像数据对应的第i个像素点的像素值。