[发明专利]一种脉冲神经网络逻辑运算方法

说明书

本发明公开了一种脉冲神经网络逻辑运算方法，包括对脉冲神经网络语义下逻辑变量的定义；以脉冲神经元为基本单元设计脉冲神经网络逻辑运算的层级网络结构；基于所述脉冲神经网络逻辑运算层级网络结构构建的脉冲神经网络基本逻辑运算模块以及复合逻辑运算模块，在设计或训练后能够实现对应逻辑运算功能；基于所述脉冲神经网络基本逻辑运算模块以及复合逻辑运算模块，通过级联能够实现任意复杂逻辑运算。本发明为通过脉冲神经网络实现逻辑运算提供了一种方法，使得以脉冲神经网络为基础的逻辑运算成为可能，并为构建大规模脉冲神经网络和构建基于脉冲神经网络的非冯·诺依曼计算体系打下基础。

技术领域

本发明属于脉冲神经网络领域，具体涉及一种脉冲神经网络逻辑运算方法。

背景技术

脉冲神经网络起源于脑科学，随着生物神经网络结构及机制研究的不断突破，越来越多的研究成果被应用于计算神经科学和类脑计算。脉冲神经网络的研究和发展也是人类从认识脑，到模拟脑，以及向更好地利用脑不断迈进的过程。

逻辑运算是构成复杂运算和高级智能的基础。生物神经活动的本质是对外界输入信号和自激信号进行运算的过程，逻辑运算在其中扮演重要角色。在生物学背景下，某种形式的模式匹配、巧合检测的特性与逻辑运算“与”不谋而合。

脉冲神经网络与逻辑运算也存在共通之处。例如，脉冲神经网络以脉冲的形式传递信号；同样，数字系统中大多数波形是由脉冲组成的。基于以上特点，如果能够基于以脉冲神经元为基本单元的脉冲神经网络构建逻辑运算，就使得构建基于脉冲神经网络的非冯·诺依曼计算体系成为可能。

但是，当前尚未有在构建脉冲神经网络逻辑运算方法的尝试。因此，构建一种脉冲神经网络逻辑运算方法，为构建大规模脉冲神经网络以及构建基于脉冲神经网络的非冯·诺依曼计算体系打下基础，就成为了本领域技术人员亟需解决的问题。

发明内容

为解决上述问题，本发明公开了一种脉冲神经网络逻辑运算方法，构建脉冲神经网络基本逻辑运算模块，脉冲神经网络复合逻辑运算模块，以及通过级联上述模块实现任意复杂逻辑运算，为构建大规模脉冲神经网络以及构建基于脉冲神经网络的非冯·诺依曼计算体系打下基础。

为达到上述目的，本发明的技术方案如下：

一种脉冲神经网络逻辑运算方法，包括对脉冲神经网络语义下逻辑变量的定义；以脉冲神经元为基本单元设计脉冲神经网络逻辑运算的层级网络结构；基于所述脉冲神经网络逻辑运算层级网络结构构建的脉冲神经网络基本逻辑运算模块以及复合逻辑运算模块，在设计或训练后能够实现对应逻辑运算功能；基于所述脉冲神经网络基本逻辑运算模块以及复合逻辑运算模块，通过级联能够实现任意复杂逻辑运算。

进一步地，所述的在脉冲神经网络语义下逻辑变量的定义为，在脉冲神经网络中使用彼此互相矛盾的事物，或者规定彼此互相矛盾的关系作为逻辑变量的逻辑常量取值。其中，所述逻辑变量的逻辑常量取值个数与其对应的逻辑代数元数一致。

进一步地，所述的在脉冲神经网络语义下的逻辑变量为一组脉冲神经元的脉冲发放模式，不同的脉冲发放模式表示逻辑变量的不同逻辑常量取值。

进一步地，所述的脉冲神经元，其特征在于，是一种以脉冲作为输出的神经元模型，包括但不限于脉冲神经网络领域中常用的霍奇金-赫胥黎(Hodgkin-Huxley,HH)模型，整合-发放(Integrate and Fire,IF)模型，泄漏-整合-发放(Leaky Integrate and Fire,LIF)模型，伊日克维奇(Izhikevich)模型等。

进一步地，所述的脉冲神经网络逻辑运算层级网络结构，在训练结束前一般为4层结构，从前到后依次为输入层，模式层，输出层和教师层，层与层之间通过突触连接；所述网络结构在训练结束后一般为3层结构，除在训练结束后撤去所述教师层及其与其余所述层的突触连接外，其余所述网络结构不变；其中所述模式层可根据需要实现的逻辑运算复杂程度增加或删除层数。所述的脉冲神经网络逻辑运算网络结构用于承载脉冲神经网络逻辑运算功能。