技术摘要：
本发明公开了一种基于STDP的自适应非监督学习图像识别方法及系统，方法包括；将输入的时序脉冲信号输入至自适应多神经元模型的脉冲神经网络，使神经元因输入神经元的正刺激和输出神经元间的负刺激的共同作用产生输出脉冲；通过自适应神经元模型将通过自平衡函数对本神  全部
背景技术：
在生物大脑中，数以亿计的神经元通过突触相互连接进行信息传递，从而操控个 体进行各种复杂而又缜密的生物活动，这种神经系统一直被人们研究模仿，人工神经网络 也一直在世界范围内被人关注。近些年来，脉冲神经网络作为第三代人工神经网络，由于其 在模式识别、图像处理、计算机视觉等方面展现出来的惊人的生物相似性和强大的计算能 力，越来越被人们广泛研究。目前为止，许多学者集中研究了各种各样的脉冲神经网络模型 以及学习机制，这些计算模型也在图像分类、决策及预测方面取得不错的效果。但是，目前 的工作大都集中在计算机软件平台，一方面由于前人的工作总结使得软件平台关于脉冲神 经网络的计算模型比较成熟，另一方面软件平台从学习算法到整个神经网络系统的开发难 度与硬件平台相比简单不少，但是软件平台串行执行的特点从根本上不符合生物大脑神经 元并行处理的特点，而且模拟时间长，拓展性差等问题也比较突出。 人们普遍认为神经元以脉冲序列形式进行信息传播，STDP学习机制由Hebbian规 则的发展而来，被认为是大脑学习与信息存储的重要机制，属于一种非监督的学习机制。 STDP通过调节前后突触的脉冲时间差来实现网络平衡，这样极大的保证了神经网络的稳定 性。 在之前提出的基于脉冲网络的非监督图像学习中，输出神经元的稳定识别依赖于 相对较窄的输入信号平均发射率，对环境要求苛刻。在平均发射率过高或过低是出现过输 出或静默等无法识别的情况。
技术实现要素：
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。 为此，本发明的一个目的在于提出一种基于STDP的自适应非监督学习图像识别方 法，该方法在神经元模型中添加了非线性的自适应变量，调整神经元的平均发射率，防止出 现过输出或静默的情况，从而大幅提高了鲁棒性，在更普适的输入环境中，表现出稳定识 别。 本发明的另一个目的在于提出一种基于STDP的自适应非监督学习图像识别系统。 为达到上述目的，本发明一方面实施例提出了一种基于STDP的自适应非监督学习 图像识别方法，包括以下步骤：输入时序脉冲信号；将所述时序脉冲信号输入至预设的自适 应多神经元模型的脉冲神经网络，使神经元因输入神经元的正刺激和输出神经元间的负刺 激的共同作用产生输出脉冲；通过所述自适应神经元模型将通过自平衡函数对本神经元的 发射率进行负反馈调节；在输入神经元在接收所述时序脉冲信号时，对输出神经元施加衰 4 CN 111582470 A 说　明　书 2/7 页 变的正刺激，所述输出神经元在任一输出神经元出现脉冲时，对其他输出神经元产生固定 的负刺激；根据赫布理论，双层神经元间的兴奋突触连接权重将基于脉冲时间依赖的可塑 性规则进行改变，使输出神经元在且仅在其识别的特定图形出现时，在窗口时间内，产生脉 冲。 本发明实施例的基于STDP的自适应非监督学习图像识别方法，脉冲神经网络模型 中的脉冲神经元具有面对自身发射率的负反馈调整变量，输入输出层神经元间由权值可变 的兴奋性突触的全连接进行连接，而输出神经元间两两由权值不可变的抑制性突触进行连 接；非监督学习方式上采取了一种基于神经元层间脉冲时间差的STDP算法，通过在模型中 添加一项自适应变量，使其在输入信号发射率更加不稳定的情况下，依然能或的稳定输出； 一方面，这种设计满足了神经科学的仿生模拟；另一方面，该算法不改变原有的脉冲神经元 模型，仅添加一组负反馈变量，使稳定性大幅提高；与传统非监督脉冲神经网络相比，学习 准确率和鲁棒性均大幅提高，对于实现深度多层的超大规模的脉冲神经网络提供了新的思 路。 另外，根据本发明上述实施例的基于STDP的自适应非监督学习图像识别方法还可 以具有以下附加的技术特征： 进一步地，在本发明的一个实施例中，图形的目标信号为固定的时序脉冲信号，在 时序不重叠的前提下，按照预设频率出现。 进一步地，在本发明的一个实施例中，所述神经元采用的是DSSN神经元数学模型， 其中，所述DSSN神经元数学模型为： 其中，v表示神经元的细胞膜电位，n表示系统的慢变化变量，a、b、c、k、p、q、r为模 型常量，I0为输入固定偏置，Istim为神经元输入。 进一步地，在本发明的一个实施例中，所述DSSN神经元数学模型的神经元细胞膜 电位v的差分方程右侧将添加一项自适应变量，更新后的数学模型为： 其中，Idy为自适应变量，k0为系统常量，ft为目标发射率。 进一步地，在本发明的一个实施例中，其中，所述时序脉冲信号包括多个固定的目 标信号和噪音信号。 为达到上述目的，本发明另一方面实施例提出了一种基于STDP的自适应非监督学 习图像识别系统 5 CN 111582470 A 说　明　书 3/7 页 本发明实施例的基于STDP的自适应非监督学习图像识别系统，脉冲神经网络模型 中的脉冲神经元具有面对自身发射率的负反馈调整变量，输入输出层神经元间由权值可变 的兴奋性突触的全连接进行连接，而输出神经元间两两由权值不可变的抑制性突触进行连 接；非监督学习方式上采取了一种基于神经元层间脉冲时间差的STDP算法，通过在模型中 添加一项自适应变量，使其在输入信号发射率更加不稳定的情况下，依然能或的稳定输出； 一方面，这种设计满足了神经科学的仿生模拟；另一方面，该算法不改变原有的脉冲神经元 模型，仅添加一组负反馈变量，使稳定性大幅提高；与传统非监督脉冲神经网络相比，学习 准确率和鲁棒性均大幅提高，对于实现深度多层的超大规模的脉冲神经网络提供了新的思 路。 另外，根据本发明上述实施例的基于STDP的自适应非监督学习图像识别系统还可 以具有以下附加的技术特征： 进一步地，在本发明的一个实施例中，图形的目标信号为固定的时序脉冲信号，在 时序不重叠的前提下，按照预设频率出现。 进一步地，在本发明的一个实施例中，所述神经元采用的是DSSN神经元数学模型， 其中，所述DSSN神经元数学模型为： 其中，v表示神经元的细胞膜电位，n表示系统的慢变化变量，a、b、c、k、p、q、r为模 型常量，I0为输入固定偏置，Istim为神经元输入。 进一步地，在本发明的一个实施例中，所述DSSN神经元数学模型的神经元细胞膜 电位v的差分方程右侧将添加一项自适应变量，更新后的数学模型为： 其中，Idy为自适应变量，k0为系统常量，ft为目标发射率。 进一步地，在本发明的一个实施例中，其中，所述时序脉冲信号包括多个固定的目 标信号和噪音信号。 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。 附图说明 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解，其中： 6 CN 111582470 A 说　明　书 4/7 页 图1为根据本发明实施例的基于STDP的自适应非监督学习图像识别方法的流程 图； 图2为根据本发明实施例的脉冲神经网络结构示意图； 图3为根据本发明实施例的STDP非监督学习算法流程图； 图4为根据本发明实施例的神经元发射率曲线； 图5为根据本发明实施例的基于STDP的自适应非监督学习图像识别系统的结构示 意图。