近年來,卷積神經網絡（Convolution Neural Network,CNN）在深度學習領域很好地解決了計算機視覺、自然語言處理以及模式識別等相關問題,并且應用廣泛。卷積神經網絡的模型訓練簡單,但是在應用上卻面臨能耗高且資源需求高的問題。脈沖神經網絡（Spiking Neural Network,SNN）因其能更加真實地對生物神經進行仿真,相較于卷積神經網絡,它具有高效能的特點,但是該網絡模型的訓練比較困難。本文提出了一種將卷積神經網絡映射為脈沖神經網絡的方法,其基本思想是將卷積神經網絡與脈沖神經網絡相結合,把卷積神經網絡模型權值參數作用于脈沖神經網絡上,從而跳過了脈沖神經網絡訓練困難的問題,實現在脈沖神經網絡上的仿真。實驗結果表明,該方法可以使脈沖神經網絡在視覺處理過程中圖像分類的準確率接近于卷積神經網絡。本文的主要工作如下:1.構建了具有圖像分類功能的卷積神經網絡模型,對模型中卷積核個數和池化層的組合進行不同的設置,將其應用到圖像分類問題上,通過對這些不同的設置進行實驗并對分類準確率進行分析,得出合理的參數設置。2.提出通過卷積神經網絡的映射來實現脈沖神經網絡的視覺處理（圖像... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數】：83 頁

【學位級別】：碩士

【部分圖文】：

圖２．?１?Ｒｏｓｅｎｂｌａｔｔ感知器的計算模型圖??Ｆｉｇｕｒｅ?２．?１?Ｒｏｓｅｎｂｌａｔｔ?Ｐｅｒｃｅｐｔｒｏｎ?Ｃｏｍｐｕｔｉｎｇ?Ｍｏｄｅｌ??

???饋是指對于一個給定的網絡層來說，它的神經元之和相鄰層的神經元相連，本層的神??經元互不相連，這樣就保證神經網絡中上一層的輸出就是下一層的輸入。網絡的最上??層是輸出層，輸出層中的每一個神經元都與圖像的類別相對應。對于網絡的輸入來說，??在隱藏層中的神經元經過計算后結果被記為￥，然后將其作為下個網絡層的輸入。在??理想的分類情況下，網絡的多個輸出中有且只有一個輸入是非０的，該值就代表了輸??入經過網絡處理后的輸出結果。??：Ｚ〇：；?安??（ｘ〇）?丨：、Ｘ１）…（??圖２．?２多層感知器模型結構圖??Ｆｉｇｕｒｅ?２．?２?Ｍｕｌｔｉｌａｙｅｒ?ｐｅｒｃｅｐｔｒｏｎ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ??隱藏層在多層感知器可以根據自己的需求來增加或者減少隱含層的層數，可以將??該非線性函數計算單元置于隱藏層之后，對該層進行相關運算，從而就實現了對輸入??的更復雜的計算函數。在現實的實踐中，我們可能會因為需求而建立多個隱藏層ｉｑ，??并且對隱藏層的函數進行設計。??２．?１卷積神經網絡??卷積神經網絡是基于對視覺皮層研宄結果進行發(fā)展而得到的。視覺皮層的各種細??胞構成了一個結構復雜的視覺處理系統。而這些視覺皮層的細胞對于視覺接收到的外??界輸入的子區(qū)域是比較敏感的。這些視覺皮層的細胞根據各自的功能不同被分為兩種??基本類型：簡單型細胞和復雜型細胞。簡單型細胞為了能夠更多的獲取外界信息會盡??可能的響應來自感受野范圍內的刺激。而復雜型細胞的接受域相對較大，這就使得它??對來自確切位置的刺激具有局部不變性［４４］。卷積神經網絡則通過卷積核進行局部連接??和對權值進行共享的方式，來大大減少權值參數的數量，因此也減少

然后依次傳遞給網絡的其他層，在網絡層中完成相應的計??算處理后輸出，該輸出會被作為下一層的輸入，進行傳遞。卷積神經網絡中的神經元??只和相鄰的上層和下層中的相對應的神經元相連，同層中的神經元之間互不相連。神??經元的這種連接方式就可以就達到了局部的感知效果，而神經元則可以通過這種結構??從原始的輸入圖像中提取出一些對于圖像處理來說比較傳統的特征，比如邊緣特征，??方向特征等。同時這些得到的特征也會被更高層的神經元利用［４５］。經過局部特征提取??的到的特征，是可以用來表征整個圖像的。圖２．?３為圖像分類功能的卷積神經網絡結??構簡圖，該圖中卷積層與池化層相交替，這樣做的優(yōu)勢是既可以呈遞增的狀態(tài)得到特??征圖，也能夠通過池化來實現對輸出特征的降維。??Ｃｉ＾Ｓ＊２Ｓ？６４?Ｃ２：１０？?１０＊６４?Ｓ２：５？Ｊ＊６４?Ｃ３：ｌ＊ｌ＊６４?ｉｐ２：Ｗ??ａ?Ｉ?ｆｐ?．??！?１…??Ｆｕｌｌ?Ｃ？ｏｎｅｃｔＫ＞ｎ?：??Ｃｃｍｖｄｕｔｉｏｎ?Ｃｏｎｖｏｌｕｔｋｍ?Ｐｏｄ?Ｃ＾ｓｎｖｏｌｉｒｔｉｏｎ?令１??圖２．?３卷積神經網絡結構簡圖??Ｆｉｇｕｒｅ?２．?３?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在進行卷積神經網絡模型訓練時，通過使用前向傳播和反向傳播算法來進行對模??型中權值參數的更新。這樣就可以自己通過計算實現特征的自動提取，共享權重使得??網絡子空間共用相同的權重，這樣不僅減少了網絡參數的數目，縮減網絡的計算量，??還進一步提高了網絡的效率［４＼因此，在卷積神經網絡中最為重要的網絡結構層是卷??積層和池化層，下面對卷積層與池化層進行相

【參考文獻】：
期刊論文
[1]脈沖響應神經網絡的構建[J]. 安全,梁川,吳平.  信息與控制. 2009(04)
[2]基于HMM-FNN模型的復雜動態(tài)手勢識別[J]. 王西穎,戴國忠,張習文,張鳳軍.  軟件學報. 2008(09)

碩士論文
[1]無監(jiān)督特征學習結合神經網絡應用于圖像識別[D]. 敖道敢.華南理工大學 2014



本文編號：3593709