申请/专利权人：西南交通大学

申请日：2024-01-11

公开（公告）日：2024-04-02

公开（公告）号：CN117556877B

主分类号：G06N3/049

分类号：G06N3/049;G06N3/08;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了基于数据脉冲特征评估的脉冲神经网络训练方法，该方法包括：网络初始化；数据输入；前向传播；使用梯度替代方法计算梯度，使用计算的梯度信息进行反向传播；根据网络提取的分类特征；迭代次数判断；按比例缩小训练集大小；计算各样本被抽取概率；根据计算所得样本抽取概率；将得到新训练集输入网络，进行前向传播；根据分类特征更新SSM，HSSM，HCSSM值；使用梯度替代计算梯度，使用计算的梯度信息进行反向传播，到达预定的迭代次数，本发明具有易拓展性，适用于不仅仅分类任务，将其中的分类特征替换为其他任务所提取的脉冲特征，即可适配对应任务，本发明具有训练过程可解释性，过程透明，提高了训练效果。

主权项：1.基于数据脉冲特征评估的脉冲神经网络训练方法，其特征在于，该方法应用于图像分类，包括：步骤1、网络初始化：构建输入层－隐藏层－输出层结构的脉冲神经网络，并随机初始化脉冲神经网络的权重和其他参数；步骤2、数据输入：将完整数据集中数据随机打乱，输入数据脉冲神经网络；步骤3、前向传播：将输入数据通过网络进行前向传播，在此过程中，神经元的电位逐渐增加，当电位达到阈值时，产生脉冲并传递给所连接的神经元，最终提取当前迭代的g类的分类特征，得到分类权重；步骤4、使用梯度替代方法计算梯度，使用计算的梯度信息进行反向传播，利用网络输出分类特征与期望标签计算目标函数值，根据反向传播的梯度信息优化网络的权重和各参数，以最小化目标函数；步骤5、根据网络提取的分类特征，计算三种脉冲样本难度评价尺度；步骤6、重复步骤2－5，直到达到迭代次数Q0，其中Q0为预设的总训练迭代次数；步骤7、按比例缩小训练集大小；步骤8、计算各样本被抽取概率；步骤9、根据计算所得样本抽取概率，从完整训练集D中选择个样本组成当前迭代的训练集；步骤10、将得到新训练集输入网络，进行前向传播，最终提取当前迭代的g类的分类特征，得到分类权重；步骤11、根据分类特征更新SSM，HSSM，HCSSM值；步骤12、使用梯度替代计算梯度，使用计算的梯度信息进行反向传播，利用网络输出分类特征与期望标签计算目标函数值，根据反向传播的梯度信息优化网络的权重和各参数，以最小化目标函数；步骤13、重复步骤8-12，直至到达下一迭代节点Q；步骤14、重复步骤7-13，直至到达预定的迭代次数；所述步骤5，计算三种脉冲样本难度评价尺度包括：步骤5.1、计算样本级别的瞬时脉冲样本难度评价尺度SSM，表达式为： 其中，表示样本在第次训练迭代的SSM值，、为控制参数，g为总类别数，为样本在第次训练迭代时所属正确类的分类特征，表示样本在第次训练迭代时属于第c类的分类特征值，c取值为从1到g；步骤5.2.计算融合历史信息的脉冲样本难度评价尺度HSSM，表达式为： 其中，表示样本在第次训练迭代的HSSM值，为历史信息权重参数，等号右边的为样本在第次训练迭代的瞬时脉冲样本难度评价尺度SSM值，为样本在第次训练迭代的瞬时脉冲样本难度评价尺度SSM值；步骤5.3.计算融合历史信息的脉冲样本难度评价尺度变化值HCSSM，表达式为： 其中，表示样本在第次训练迭代的HCSSM值，为历史信息权重参数，和为中间变量，表示样本在第次训练迭代的SSM相较于在第次训练迭代时的变化值，表示样本在第次训练迭代的SSM相较于在第次训练迭代时的变化值，第二个公式为中间变量的计算方法，等号右边的表示样本在第次训练迭代的瞬时脉冲样本难度评价尺度SSM。

全文数据：

权利要求：

百度查询： 西南交通大学 基于数据脉冲特征评估的脉冲神经网络训练方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD