[发明专利]用于图像识别的脉冲神经网络的搜索方法、系统及应用

权利要求书

1.用于图像识别的脉冲神经网络的搜索方法，其特征在于，包括：

S1、初始化若干SNN架构作为种群；

S2、采用图像识别数据集对种群中的SNN架构进行训练，并计算每个SNN架构的适应度值：

f(x)＝w₁×ACC+w₂×SPIKES

其中，f(x)为SNN架构的适应度值；ACC为SNN架构的准确率；SPIKES为SNN架构的脉冲总数；w₁和w₂为分别为ACC和SPIKES对应的权重；

S3、根据SNN架构的适应度值，采用二元锦标赛算法选取SNN架构构成SNN父本集；

S4、对SNN父本集的SNN父本进行交叉变异操作，之后对变异操作后的所有子代SNN进行环境选择；

S5、判断环境选择后的子代SNN的进化代数是否满足预设阈值，若是，进入步骤S6，否则采用环境选择后的子代SNN更新种群，并返回步骤S2；

S6、采用环境选择后种群中适应度最高的个体为最终的SNN网络。

2.根据权利要求1所述的用于图像识别的脉冲神经网络的搜索方法，其特征在于，对SNN父本集的SNN父本进行交叉变异操作进一步包括：

A1、采用两次二元锦标赛算法，每次随机从SNN父本集中选取两个不重叠的SNN父本，将两次选择出的具有最优适应度值的SNN父本进行配对；

A2、对SNN父本中未配对的SNN父本继续执行步骤A1，直至SNN父本集中的SNN父本均完成配对，之后进入步骤A3；

A3、对每对SNN父本生成一个随机数r，并判断随机数r是否大于预设交叉操作概率，若是，则进入步骤A5，否则进入步骤A4；

A4、将当前对SNN父本的每个SNN父本随机分成两部分，并对两个SNN父本的两部分进行交叉操作产生子代SNN，之后进入步骤A5；

A5、对于每对SNN父本/子代SNN，生成一个随机数y，并判断随机数y是否小于预设变异概率，若是，则进入步骤A6，否则，进入环境选择操作；

A6、选取每对SNN父本/子代SNN中适应度值较大的，随机选择其变异位置，并按预设概率选择变异操作在变异位置执行，之后进入环境选择操作。

3.根据权利要求2所述的用于图像识别的脉冲神经网络的搜索方法，其特征在于，对变异操作后的所有子代SNN进行环境选择的方法包括：

B1、将步骤S3中的SNN父本集和交叉变异后的所有子代SNN合并形成下一代种群，并根据适应度值大小降序排列；

B2、利用精英策略在步骤S2训练后的种群中按照精英百分比率选择适应度值最优的个体至下一代种群；

B3、利用二元锦标赛选择算法从种群的剩余个体中选择个体，直至下一代种群中个体数量与步骤S2中种群的个体数量相同；

B4、采用下一代种群形成环境选择后的子代SNN。

4.根据权利要求3所述的用于图像识别的脉冲神经网络的搜索方法，其特征在于，所述变异操作包括至少四种，分别为在选择的位置添加一层参数随机的网络、在选择的位置删除一层网络、在选择的位置随机修改节点参数值和在选择的位置添加节点间反向连接；四种变异操作概率分别设置为0.7，0.1，0.1，0.1。

5.根据权利要求1所述的用于图像识别的脉冲神经网络的搜索方法，其特征在于，所述步骤S1进一步包括：将多个LIF基础节点采用演化计算中的变长编码方法，自动生成长度可变的神经网络架构，并将多个时间步长上的数据信息进行累计，最终生成SNN架构。

6.根据权利要求1-5任一所述的用于图像识别的脉冲神经网络的搜索方法，其特征在于，所述图像识别包括物体检测、图像分割、物体跟踪、行为分析和人脸识别；

当图像识别任务为车辆违规识别时，图像识别数据集为交通部门采集的所有车辆照片；当图像识别任务为智能手机解锁时人像照片时，图片识别数据集为全部带用户标签的人脸照片；当图像识别任务为智能医学设备拍摄的CT扫描图片时，图像识别训练集为相同部位的带病情标签的CT扫描图片。