专利交易市场

本发明请求保护一种基于LIF(Leaky Integrate and Fire)模型的脉冲神经网络神经元电路，属于集成电路设计领域。该电路主要包括：膜电位积累电路、泄露电路、脉冲产生电路、不应期电路及复位电路。本发明不仅实现了LIF神经元模型的积分泄露点火功能，还模拟了生物神经元的不应期特性，其中不应期可调。本发明基于CMOS工艺，电路结构简单，且电路中多采用亚阈值区MOS管，使神经元电路具有超低功耗特性；电路的输入电流为pA级，输出脉冲频率为Hz级，能很好模拟生物神经元的典型工作状态，有效地实现了神经元的功能，可用于实现大规模脉冲神经网络系统。

本发明公开了一种基于STDP法则的全数字脉冲神经网络硬件系统及方法，本发明有机地结合了神经生物学中的STDP法则，以及数字电路中可并行化处理数据的优势，将会在图像处理领域高效地完成对图像数据集的训练和识别任务。该脉冲神经网络系统包含输入层神经元模块、可塑性学习模块、数据线控制模块、突触阵列模块、输出层神经元模块和实验报告模块。输出层神经元模块的输出端连接数据线控制模块的输入端和可塑性学习模块的输入端，可塑性学习模块的输出端连接数据线控制模块的输入端，数据线控制模块的输出端连接突触阵列模块的输入端，突触阵列模块的输出端连接输出层神经元输入端，输出层神经元的输出端连接实验报告模块的输入端。

本发明提供一种基于SNN的分布式光纤传感信号识别方法，包括以下步骤：S1数据准备：构建不同类型的事件信号数据集；S2信号预处理：对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；S3构建脉冲神经网络：基于得到的时频特征数据集，构建脉冲神经网络，并采用无监督学习方法训练；S4识别分类：根据每类样本在兴奋层中每个神经元的脉冲响应强度来定义每个兴奋层神经元所属类别；根据测试样本在每类神经元的平均脉冲响应个数来判定其类别；本发明具有在线实时处理能力，在实际应用中有效避免常见CNN模型中的过拟合问题，能达到较好的识别效果。

本发明公开了面向图像识别任务领域一种脉冲神经网络权重图像化比较预测及网络抗干扰方法，所述的方法包括以下步骤：1)对训练的脉冲神经网络使用权重图像化比较WGC方案进行预测；2)对模型训练得到的权重进行增强处理。提出权重图像化比较的网络预测方案，通过将新测试数据与网络学习到的每个过滤器二维化权重做图像相似度比较，输出最相近的过滤器映射的标签类别完成对数据的类别预测。本发明验证了该方案下的两种指标的表现。结果表明该方案对于提升网络的预测精度和训练收敛表现有着显著的帮助。通过对权重采取若干组的干扰添加，使得网络得以在标准训练集训练后能够相当好地应对测试数据的较大扰动干扰，显著提升了网络的鲁棒性。

本发明公开了一种基于卷积脉冲神经网络的预注意力提取方法，对脉冲原始数据极性合并后进行时间维度上的过滤，然后计算所有样本在不同像素位置的累计脉冲激活数量，得到能表示不同位置脉冲出现频率的预注意力样本；在原始脉冲数据通过卷积脉冲神经网络正常前馈的同时，并使预注意力样本共同卷积前馈，在各层通过特定函数转换为预注意力大小分别对各个神经元的膜电位进行调节，以指导各层的神经元的脉冲发放。本发明的方法使得卷积脉冲神经网络结合预注意力进行运算，从而令网络能够更加关注较重要的脉冲事件，并减少对不重要脉冲时间的关注和忽略噪声脉冲，提高网络的整体性能。

本发明公开了一种脉冲神经电路，该脉冲神经电路包括：脉冲产生电路和膜电位重赋值电路；脉冲产生电路，通过运算跨导放大器，与运算跨导放大器连接的电流绝对值电路、电流镜、用于模拟膜电位的第一电容Cv和用于模拟膜恢复电位的第二电容Cu，被构造为用于模拟神经脉冲振荡；与脉冲产生电路连接的膜电位重赋值电路，通过运算跨导放大器实现的电压比较器，开关电路，被构造为用于膜电位重赋值。本发明可以使电路实现更简单，提高电路集成度，并在低电压低功耗条件下更好的模拟分段线性化Izhikevich模型。