(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211159950.X (22)申请日 2022.09.22 (71)申请人 郑州大学 地址 450000 河南省郑州市高新 技术开发 区科学大道100号 (72)发明人 李翠霞　尚智泉　师丽　刘成明　 张淑艳　高文龙　关钰银　王俊海　 李丝毫　 (74)专利代理 机构 北京润捷智诚知识产权代理 事务所(普通 合伙) 11831 专利代理师 安利霞　孙巍 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于脉冲神经网络的图像分类方法和 装置 (57)摘要 本发明提供一种基于脉冲神经网络的图像 分类方法和装置， 所述方法包括： 获取待处理图 像的图像信息； 将所述图像信息输入目标脉冲神 经网络的神经元模型进行处理， 得到处理结果； 所述目标脉冲神经网络的神经元模型是将人工 神经网络的神经元模型的权重和偏置参数转换 到预设脉冲神经网络的神经元模 型中， 并使用训 练集进行训练得到的； 所述预设脉冲神经网络与 所述人工神经网络具有相同的网络结构； 根据所 述处理结果， 对所述图像进行分类， 得到分类结 果； 本发明的方案提高了通过转换得到的脉冲神 经网络在低时间步长下图像分类的性能。 权利要求书3页 说明书15页 附图9页 CN 115496947 A 2022.12.20 CN 115496947 A 1.一种基于脉冲神经网络的图像分类方法， 其特 征在于， 包括： 获取待处 理图像的图像信息； 将所述图像信息输入目标脉冲神经网络的神经元模型进行处理， 得到处理结果； 所述 目标脉冲神经网络的神经元模型是将人工神经网络的神经元模型的权重和偏置参数转换 到预设脉冲神经网络的神经元模型中， 并使用训练集进行训练得到的； 所述预设脉冲神经 网络与所述人工神经网络具有相同的网络结构； 根据所述处 理结果， 对所述图像进行分类， 得到分类结果。 2.根据权利要求1所述的基于脉冲神经网络的图像分类方法， 其特征在于， 所述目标脉 冲神经网络的神经 元模型的训练过程， 包括： 获取所述人工神经网络的神经元模型和预设脉冲神经网络的神经元模型； 其中， 所述 人工神经网络的神经元模型的第l层的输出为： al+1＝max(Wlal+bl,0)； 其中， max(x,0)表示 人工神经网络的神经元模型所使用的激 活函数， al表示第l层的输入， al+1表示第l+1层的输 入， Wl表示所述人工神经网络的神经元模型的第l层的权重， bl表示所述人工神经网络的神 经元模型的第l层的偏置； 确定所述预设脉冲神经网络的第l层第t时刻的输入的第一膜电位变化方程为 其中， 是第l层第t时刻 的临时膜电位， vl(t‑1) 是第l层第(t ‑1)时刻的膜电位， xl(t)是第l层第t时刻的脉冲输入； 根据脉冲发放机制， 确定所述预设脉冲神经网络的神经 元模型的膜电位变化方程； 根据所述膜电位变化方程， 使用训练集进行训练。 3.根据权利要求2所述的基于脉冲神经网络的图像分类方法， 其特征在于， 根据 脉冲发 放机制， 确定预设脉冲神经网络的神经 元模型的膜电位变化方程， 包括： 根据脉冲发放机制， 确定预设脉冲神经网络的神经元模型在第t时刻的第二膜电位变 化方程为 其中， vl(t)表示预设脉冲神经 网络的神经元模型在第l层第 t时刻的膜电位， xl(t)表示 预设脉冲神经网络的神经元模型的第l层第t时刻的脉冲输入， 表示预设脉冲神经网络 的神经元模型的第l层的神 经元阈值， ， θl(t)是分段函数， 用于判断是否发放脉冲， 描述为 如果 的值大于 则θl(t)值为1， 表示发放脉冲； 否则， θl(t)值为0， 表示 不发放脉冲； 对所述预设脉冲神经网络的神经元模型在第t时刻的膜电位进行递归处理， 得到第T时 刻的第三膜电位变化方程 为 其中， Vl(0)表示预设脉冲神经 网络的神经元模型的第l层第0时刻的膜电位， Vl(T)表示 预设脉冲神经网络的神经元模型的第l层第T时刻的膜电位， 表示预设脉冲神经网 络的神经 元模型的第l层的脉冲序列输出。权　利　要　求　书 1/3 页 2 CN 115496947 A 24.根据权利要求3所述的基于脉冲神经网络的图像分类方法， 其特征在于， 根据 所述膜 电位变化方程， 使用训练集进行训练， 包括： 根据所述膜电位变化方程， 确定误差项； 根据所述 误差项， 确定所述预设脉冲神经网络的神经 元模型的初始 膜电位； 获得所述预设脉冲神经网络的神经 元模型的编码补偿值； 根据所述编码补偿值， 对所述预设脉冲神经网络的神经元模型的初始膜电位进行补 偿， 得到消除转换误差后的目标 脉冲神经网络的神经 元模型。 5.根据权利要求4所述的基于脉冲神经网络的图像分类方法， 其特征在于， 根据 所述膜 电位变化方程， 确定误差项， 包括： 基于所述第三膜电位变化方程， 引入第l层的脉冲速率公式 并基于阈值 平衡技术引入公式 得到第l‑1层的脉冲速率公式 其中， 所述第l层的脉冲速率公式表示在第l层的第0时刻至第T时刻之间的周期内发放脉冲的速 率； 根据所述第l ‑1层的脉冲速率公式rl‑1和所述第l层的脉冲速率公式rl， 结合所述第三膜 电位变化方程， 得到第一脉冲速率方程 根据所述第一脉冲速率方程， 确定误差项为 6.根据权利要求4所述的基于脉冲神经网络的图像分类方法， 其特征在于， 根据 所述误 差项， 确定所述预设脉冲神经网络的神经 元模型的初始 膜电位， 包括： 利用人工神经网络的权重， 通过公式sum_mem＝ANN.weight[l]*T+ANN.bias[l]， 确定 预设脉冲神经网络的每层神经元模型中第0时刻至第T时刻之间的膜电位之和； 其中， sum_ mem为所述膜电位之和， ANN.weight[l]为人工神经网络的神经元模型的第l层的权重， T为 脉冲序列的长度， AN N.bias[l]为人工神经网络的神经 元模型的第l层的偏置； 通过公式 确定剩余膜电位； 其中， mem为剩余膜电位， ％为取 余运算符， 为第l层的神经 元的阈值； 通过公式init_mem[l]＝mem.mean()， 确定初始膜电位； 其中， init_mem[l]为第l层的 初始膜电位， mean()为计算平均值的函数。 7.根据权利要求4所述的基于脉冲神经网络的图像分类方法， 其特征在于， 根据 所述误 差项， 确定所述预设脉冲神经网络的神经 元模型的初始 膜电位， 包括： 将所述人工神经网络的神经元模型的权重参数和偏置转换到预设脉冲神经网络的神 经元模型中； 利用训练集， 通过公式mem＝l.mem.mean()， 确定剩余膜电位； 其中， mem为所述训练集 在第l层的剩余膜电位的平均值， mean()为计算平均值的函数；权　利　要　求　书 2/3 页 3 CN 115496947 A 3