CN114330674B 一种脉冲编码方法、系统、电子设备及存储介质 （广东浪潮智慧计算技术有限公司）

申请能够在不损失下游任务精度的前提下减少2根据下游任务的任务类型确定所述数据特征对所述下游任务的根据下游任务的任务类型确定所述数据特征对所述下游任务的若所述下游任务的任务类型为分类任务，则利用分类器确定所若所述下游任务的任务类型为回归任务，则利用回归器确定所通过模拟退火算法或遗传算法利用所述分类器确定所述数据特征对所述下游任务的设置特征维度最大值和所述模拟退火算法的相关参数；其中，所述若否，则根据所述随机初始化后的选择向量的数值对所述数据特征的向量进行选择，使用分类器对训练数据进行分类，并将交叉验证的分类结果按照所述降温系数调整所述初始温度，根据所述参考判别性评价标准迭代生成新的判将所述字典中value最大的key设置为最优选择向量，根据所述最通过最大最小归一化方法对所述最优特征向量处理，并将所述最优特征向量中的0替36.根据权利要求1至5任一项所述脉冲编码方法，通过泊松分布的脉冲编码方法对所述判别性特征进行脉冲序列仿真，得第一特征设置模块，用于若所述下游任务的任务类型为分第二特征设置模块，用于若所述下游任务的任务类型为回8.一种电子设备，其特征在于，包括存储器可执行指令被处理器加载并执行时，实现如权利要求1至6任一项所述脉冲编码方法的步4可解释性的缺乏，研究人员开始将目标转移到更符合生物神经元结构的脉冲神经网络后续的下游任务的结果有着直接的影响，但是现有方法割裂了下游任务和脉冲编码方式，够在不损失下游任务精度的前提下减少脉冲仿真的计[0011]提取所述原始数据在多个维度的子特征，拼接所有所述子特征得到所述数据特[0012]可选的，根据下游任务的任务类型确定所述数据特征对所述下游任务的识别精5[0016]通过模拟退火算法或遗传算法利用所述分类器确定所述数据特征对所述下游任[0021]若否，则根据所述随机初始化后的选择向量的对所述数为所述新的判别性评价标准对应的选择向量，所述字典的value为所述新的判别性评价标机程序，所述处理器调用所述存储器中的计算机程序时实现上述脉冲编码方法执行的步6[0042]图5为本申请实施例所提供的一种基于判别性特征的脉冲序列仿真方法框架示意[0043]图6为本申请实施例所提供的一种基于判别性特征的脉冲序列仿真方法的工作流[0050]本实施例可以根据下游任务(即脉冲神经网络需要执行的任务)的类型对输入的7关函数、梅尔倒谱系数以及其他基于深度学习的音频特征提取方法。SIFT(Scale-InvariantFeaturesTransform)为尺度不变特征变换，SURF(SpeededUpRobustFeatures)为加速稳健特征，HOG(HistogramofOrientedGradient)为定向梯度直方图，DOG(DifferenceofGaussian)为高斯差，BERT(BidirectionalEncoderRepresentationsfromTransformers)为基于Transformers的双向编码表达，GloVe[0051]作为一种可行的实施方式，本实施例可以提取所述原始数据在多个维度的子特征和音频维度的子特征进行拼接得到上文提[0052]S102：根据下游任务的任务类型确定所述数据特征对所泊松分布的脉冲编码方法对所述判别性特征进行脉冲序列仿真，得到所述脉冲编码结果。[0057]作为对于图1对应实施例的进一步介绍，脉冲神经网络执行的下游任务可以为分8可以通过模拟退火算法或遗传算法利用回归器确定所述数据特征对所述下游任务的识别[0067]其中，所述字典的key为所述新的判别性评价标准对应的选择向量，所述字典的神经网络中的神经元内部计算过程模拟了生物神经元中的膜电[0072]脉冲编码的方法主要分为两类，包括基于时序的编码方式和基于频率的编码方9[0074]通过上述方式可以将传统神经网络中处理的实数值转化为固定时间窗内的脉冲[0076]现有脉冲编码方法在编码过程中未考虑到下游任务(以情感识别为例)判别性信仿真数据集进行不同的特征提取，然后根据判别标准对提取到的特征进行判别性特征选后仿真出判别性更强的脉冲序列。文本输入，可选择的特征提取方法包括不限于目前流行的基于深度学习的词向量方法[0078]具体的，本实施例可以选择模拟退火算法(SimulatedAnnealingAlgorithm)作为判别性特征选择的方法，本实施例中从原始数据信息中得到的文本特征向量用xt表示，v[0088]步骤7.2：获得新的判别性ye"=f(x',se");AY=ya-";b＝Tb×α,将snew和分别作为key和value加入字典Dic，即Dic[se]-y"。将其中的0值加上一个极小值ε。[0096]步骤11：以xbest的倒数值确定泊松分布的参数并采样T代表了原始的一个特征点发射的长度为T的脉6对应实施例中步骤9～步骤12的操作采用一种基于泊松分布的脉冲编码方法在特征的基仿真方法具有以下显著优点：(1)利用模拟退火等特征选择方法选择针对下游任务的判别[0106]判别性特征设置模块702，用于根据下游任务的任务类型确定所述数据特征对所初始化所述选择向量；判断随机初始化后的选择向量中的包含1的数量是否大于所述特征根据所述最优选择向量构建最优特征向量，并根据所述最优特征向量确定所述判别性特最小归一化方法对所述最优特征向量处理，并将所述最优特征向量中的0替换为预设极小[0117]进一步的，仿真模块703用于通过泊松分布的脉冲编码方法对所述判别性特征进可以对本申请进行若干改进和修饰