[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

说明书

本发明公开了一种用于图像识别的脉冲神经网络的搜索方法、系统及应用，搜索方法包括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；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。

技术领域

本发明涉及图像识别技术，具体涉及一种用于图像识别的脉冲神经网络的搜索方法、系统及应用。

背景技术

图像识别是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。图像识别在许多领域都有着广泛的应用，而其中部分领域数据处理对安全性要求高，需要保证时效性，必须在小型嵌入式设备上进行计算。

目前，以卷积神经网络为代表的传统人工神经网络(ANN)模型在深度学习领域(比如，计算机视觉、自然语言处理)已经取得了较大成功，常被应用于小型嵌入式设备(比如手机、手表、摄像头等)上进行图像的识别，且在识别中具有较高的识别精度。

但由于传统ANN网络中存在大量高功耗浮点数乘法操作运算，使得ANN网络对于能源有着巨大的消耗，嵌入式设备在进行图像识别时，存在电量消耗巨大的问题，严重制约的嵌入式设备的单次充电下的使用时长，高电量消耗时，同时还会伴随大量热量产生，对嵌入式设备的电池寿命也会构成一定的影响。

发明内容

针对现有技术中的上述不足，本发明提供的用于图像识别的脉冲神经网络的搜索方法、系统及应用解决了现有方法构建的图像识别网络使用时存在能耗大的问题。

为了达到上述发明目的，本发明采用的技术方案为：

第一方面，提供一种用于图像识别的脉冲神经网络的搜索方法，其包括：

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。

进一步地，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；