CN114662644B 基于动态阈值神经元的深度脉冲神经网络的图像识别方法 （北京理工大学）_第1页
CN114662644B 基于动态阈值神经元的深度脉冲神经网络的图像识别方法 （北京理工大学）_第2页
CN114662644B 基于动态阈值神经元的深度脉冲神经网络的图像识别方法 （北京理工大学）_第3页
CN114662644B 基于动态阈值神经元的深度脉冲神经网络的图像识别方法 （北京理工大学）_第4页
CN114662644B 基于动态阈值神经元的深度脉冲神经网络的图像识别方法 （北京理工大学）_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号基于动态阈值神经元的深度脉冲神经网络本发明公开的基于动态阈值神经元的深度SNN转换方法，将DNN中的激活函数ReLU转换为2步骤二：基于DNN-to-SNN转换方法，将DNN中的激活函数ReL膜电位v'在每个时间步对输入电流累积：是第l层神经元i的t时刻的膜电位，脉冲神经元累积输入直到膜电位v')超过2.如权利要求1所述的基于动态阈值神经元的深度脉冲神经网络的图像识别方法，其使用DNN-to-SNN转换方法，将DNN中的激活函数ReLU函数等效为S激活af()表达式如下：3触前神经元的脉冲发射时间；IF神经元模型的连续时间表示形式被离散化为1ms的时间步是l层神经元的最大激活值。4[0001]本发明涉及一种基于动态阈值神经元模型的深度脉冲神[0002]基于高度简化的大脑动力学模型的深度神经网络(DeepNeuralNet[0003]脉冲神经网络(SpikingNeuralNetworks,SNN)与5个突触前神经元的脉冲发射时间。IF神经元模型的连续时间表示形式被离散化为1ms的时是l层神经元的最大激活值。6[0036]图2本发明所公布的基于动态阈值神经元的深度脉冲神经网络的图像识别方法的而对其不起任何限定作用。[0041]本实施例公开的基于动态阈值神经元的深度脉冲神经网络的图像识别方法，在[0045]使用DNN-to-SNN转换方法，将步骤(1)模型中的ReLU激活函数等效为具有动态阈使用99.9％最大激活值作为归一化值λ,将归一化后的权重值映射到相同网络结构的SNN，7明动态阈值IF神经元模型转换精度为94.342精度提高了0.2脉冲发射率提高了1.25最后一层IF神经元首次发放脉冲时间缩短了80加快信息传输。

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论