论文部分内容阅读
近年来,卷积神经网络(Convolution Neural Network,CNN)在深度学习领域很好地解决了计算机视觉、自然语言处理以及模式识别等相关问题,并且应用广泛。卷积神经网络的模型训练简单,但是在应用上却面临能耗高且资源需求高的问题。脉冲神经网络(Spiking Neural Network,SNN)因其能更加真实地对生物神经进行仿真,相较于卷积神经网络,它具有高效能的特点,但是该网络模型的训练比较困难。本文提出了一种将卷积神经网络映射为脉冲神经网络的方法,其基本思想是将卷积神经网络与脉冲神经网络相结合,把卷积神经网络模型权值参数作用于脉冲神经网络上,从而跳过了脉冲神经网络训练困难的问题,实现在脉冲神经网络上的仿真。实验结果表明,该方法可以使脉冲神经网络在视觉处理过程中图像分类的准确率接近于卷积神经网络。本文的主要工作如下:1.构建了具有图像分类功能的卷积神经网络模型,对模型中卷积核个数和池化层的组合进行不同的设置,将其应用到图像分类问题上,通过对这些不同的设置进行实验并对分类准确率进行分析,得出合理的参数设置。2.提出通过卷积神经网络的映射来实现脉冲神经网络的视觉处理(图像分类)过程仿真。该方法解决了脉冲神经网络训练困难的问题,并能达到与卷积神经网络相近的精度。将映射得到的脉冲神经网络模型与卷积神经网络的分类准确率和功耗进行实验比较,结果表明前者的准确率稍低于后者,但是在功耗上脉冲神经网络优势明显,是可以接受的。3.通过借鉴卷积神经网络训练中反馈调节算法(BP)的思想,提出基于反馈调节的阈值设置调优算法,对脉冲神经网络中神经元组的阈值进行调优。通过调优后,脉冲神经网络的分类准确率有一定的提高。