[发明专利]一种基于类脑计算平台的字符分类方法及系统

权利要求书

1.一种基于类脑计算平台的字符分类方法，其特征在于，包括：

构建脉冲神经网络分类模型；所述脉冲神经网络分类 模型包括：编码层、最大池化层以及分类层；所述编码层包括将图片像素值转化为脉冲的泊松编码操作；所述编码层的神经元与图片像素值一一对应；所述最大池化层包括多个池化神经元以及最大池化输出层；所述池化神经元两两互相连接，且池化神经元与池化神经元之间为抑制连接；所述最大池化输出层的脉冲是由首发脉冲神经元发放；所述最大池化输出层包括一个神经元；所述神经元与每一所述池化神经元连接；分类层共有10个神经元，每个神经元代表一个分类类别，通过分类层的神经元来得到最终的字符分类结果；

利用脉冲神经网络分类模型对MNIST手写数字数据集进行字符分类；所述MNIST手写数字数据集包括手写数字0-9的图片；

将输入图像输入脉冲神经网络分类模型，所述脉冲神经网络分类模型输出字符分类结果。

2.根据权利要求1所述的一种基于类脑计算平台的字符分类方法，其特征在于，所述最大池化的步长大小与最大池化区域的大小相同。

3.根据权利要求1所述的一种基于类脑计算平台的字符分类方法，其特征在于，所述构建脉冲神经网络分类模型，之后还包括：

利用ANN-to-SNN的方式训练脉冲神经网络分类模型的权重。

4.根据权利要求1所述的一种基于类脑计算平台的字符分类方法，其特征在于，所述利用脉冲神经网络分类模型对MNIST手写数字数据集进行字符分类，具体包括：

利用泊松编码的方式将所述MNIST手写数字数据集中图片的像素值转化成脉冲。

5.一种基于类脑计算平台的字符分类系统，其特征在于，包括：

脉冲神经网络分类模型构建模块，用于构建脉冲神经网络分类模型；所述脉冲神经网络分类 模型包括：编码层、最大池化层以及分类层；所述编码层包括将图片像素值转化为脉冲的泊松编码操作；所述编码层的神经元与图片像素值一一对应；所述最大池化层包括多个池化神经元以及最大池化输出层；所述池化神经元两两互相连接，且池化神经元与池化神经元之间为抑制连接；所述最大池化输出层的脉冲是由首发脉冲神经元发放；所述最大池化输出层包括一个神经元；所述神经元与每一所述池化神经元连接；分类层共有10个神经元，每个神经元代表一个分类类别，通过分类层的神经元来得到最终的字符分类结果；

字符分类模块，用于利用脉冲神经网络分类模型对MNIST手写数字数据集进行字符分类；所述MNIST手写数字数据集包括手写数字0-9的图片；

将输入图像输入脉冲神经网络分类模型，所述脉冲神经网络分类模型输出字符分类结果。

6.根据权利要求5所述的一种基于类脑计算平台的字符分类系统，其特征在于，所述最大池化的步长大小与最大池化区域的大小相同。

7.根据权利要求5所述的一种基于类脑计算平台的字符分类系统，其特征在于，还包括：

训练模块，用于利用ANN-to-SNN的方式训练脉冲神经网络分类模型的权重。

8.根据权利要求5所述的一种基于类脑计算平台的字符分类系统，其特征在于，所述字符分类模块具体包括：

编码单元，用于利用泊松编码的方式将所述MNIST手写数字数据集中图片的像素值转化成脉冲。