[发明专利]一种基于类脑计算平台的字符分类方法及系统

说明书

本发明涉及一种基于类脑计算平台的字符分类方法及系统。该方法包括构建脉冲神经网络分类模型；所述脉冲神经网络模型包括：编码层、最大池化层以及分类层；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；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。本发明能够提高字符分类的精度。

技术领域

本发明涉及字符分类领域，特别是涉及一种基于类脑计算平台的字符分类方法及系统。

背景技术

在人工神经网络中，最大池化可以提取纹理特征，减少无用信息的影响，通过对不同特征进行聚合统计处理，以获得相对更低的维度，以避免过拟合现象。即减少参数量，减少计算成本，以及防止过拟合。理想的最大池化能够提取有用信息，摒弃无用信息，在卷积神经网络中，最大池化已经成为网络中不可或缺的一个模块，通常只需要在池化区域找出最大的值，即认定它是最大池化的输出。但是在脉冲神经网络中实现最大池化仍是一个难点，由于其网络的输出是脉冲形式，计算最大输出比较困难，在脉冲神经网络中随着时间的推移，最大神经元是动态变化的，神经元与神经元之间的比较困难，进而类脑硬件计算平台在神经元与神经元之间的信息比较上的困难。在基于类脑计算平台所实施的分类任务中，现有的方法无法符合类脑硬件计算平台无法比较的特性，因此无法将这些最大池化的方法应用类脑硬件计算平台。在实际的分类任务中，池化层必不可少，通常会使用平均池化来代替最大池化，这种替换的方式会导致分类任务精度的损失，最终分类精度下降。

发明内容

本发明的目的是提供一种基于类脑计算平台的字符分类方法及系统，能够提高字符分类的精度。

为实现上述目的，本发明提供了如下方案：

一种基于类脑计算平台的字符分类方法，包括：

构建脉冲神经网络分类模型；所述脉冲神经网络模型包括：编码层、最大池化层以及分类层；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；

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。

可选地，所述最大池化的步长大小与最大池化区域的大小相同。

可选地，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。

可选地，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。

一种基于类脑计算平台的字符分类系统，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；所述脉冲神经网络模型包括：编码层、最大池化层以及分类层；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；

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。

可选地，所述最大池化的步长大小与最大池化区域的大小相同。

可选地，还包括：