本申请公开了一种基于多突触连接的脉冲神经元的网络模型训练方法和系统,本方法通过获取训练数据集,训练数据包括图像数据、音频数据和脑电信号数据中的任一种数据;构建用于同时编码输入信号的强度信息和时间信息的多突触连接的脉冲神经元,输入信号为输入多突触连接的脉冲神经元中的图像、音频或脑电信号;构建基于多突触连接的脉冲神经元的网络模型;构建多突触连接的脉冲神经元的目标梯度替代函数;基于目标梯度替代函数和训练数据集,通过反向传播的方式训练基于多突触连接的脉冲神经元的网络模型。本申请能够同时编码刺激的强度信息和时间信息,提高网络模型的分类精确度。
背景技术
脑功能和结构启发的脉冲神经网络被认为是第三代人工神经网络,以其具有生物神经网络的低功耗和时空动态的特性而著名。在最近这些年中,很多研究将脉冲神经网络应用在图像分类,语音识别,事件流处理等多种任务上,并不断尝试提升SNN的在这些任务上的规模和性能,但仍不能达到或超越人工神经网络。
目前的脉冲神经网络常基于泄露整合发放(Leaky Integrate-and-Fire,LIF) 神经元构建的,采用速率编码和时间编码两种方式分别进行信息编码。速率编码方式可以编码刺激(即输入信号)的强度信息,但丢失了时间信息,常用于处理静态数据,例如,图像。时间编码方式可以编码刺激的时间信息,但丢失了刺激的强度信息,常用于处理时序数据。因此目前的脉冲神经元无法同时编码刺激的强度信息和时间信息,导致目前的脉冲神经元的分类精度不高。
实现思路