基于脉冲神经网络的视觉图像分类方法研究
发布时间：2022-01-17 00:39
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...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２．?１?Ｒｏｓｅｎｂｌａｔｔ感知器的计算模型图??Ｆｉｇｕｒｅ?２．?１?Ｒｏｓｅｎｂｌａｔｔ?Ｐｅｒｃｅｐｔｒｏｎ?Ｃｏｍｐｕｔｉｎｇ?Ｍｏｄｅｌ??
???馈是指对于一个给定的网络层来说，它的神经元之和相邻层的神经元相连，本层的神??经元互不相连，这样就保证神经网络中上一层的输出就是下一层的输入。网络的最上??层是输出层，输出层中的每一个神经元都与图像的类别相对应。对于网络的输入来说，??在隐藏层中的神经元经过计算后结果被记为￥，然后将其作为下个网络层的输入。在??理想的分类情况下，网络的多个输出中有且只有一个输入是非０的，该值就代表了输??入经过网络处理后的输出结果。??：Ｚ〇：；?安??（ｘ〇）?丨：、Ｘ１）…（??图２．?２多层感知器模型结构图??Ｆｉｇｕｒｅ?２．?２?Ｍｕｌｔｉｌａｙｅｒ?ｐｅｒｃｅｐｔｒｏｎ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ??隐藏层在多层感知器可以根据自己的需求来增加或者减少隐含层的层数，可以将??该非线性函数计算单元置于隐藏层之后，对该层进行相关运算，从而就实现了对输入??的更复杂的计算函数。在现实的实践中，我们可能会因为需求而建立多个隐藏层ｉｑ，??并且对隐藏层的函数进行设计。??２．?１卷积神经网络??卷积神经网络是基于对视觉皮层研宄结果进行发展而得到的。视觉皮层的各种细??胞构成了一个结构复杂的视觉处理系统。而这些视觉皮层的细胞对于视觉接收到的外??界输入的子区域是比较敏感的。这些视觉皮层的细胞根据各自的功能不同被分为两种??基本类型：简单型细胞和复杂型细胞。简单型细胞为了能够更多的获取外界信息会尽??可能的响应来自感受野范围内的刺激。而复杂型细胞的接受域相对较大，这就使得它??对来自确切位置的刺激具有局部不变性［４４］。卷积神经网络则通过卷积核进行局部连接??和对权值进行共享的方式，来大大减少权值参数的数量，因此也减少
然后依次传递给网络的其他层，在网络层中完成相应的计??算处理后输出，该输出会被作为下一层的输入，进行传递。卷积神经网络中的神经元??只和相邻的上层和下层中的相对应的神经元相连，同层中的神经元之间互不相连。神??经元的这种连接方式就可以就达到了局部的感知效果，而神经元则可以通过这种结构??从原始的输入图像中提取出一些对于图像处理来说比较传统的特征，比如边缘特征，??方向特征等。同时这些得到的特征也会被更高层的神经元利用［４５］。经过局部特征提取??的到的特征，是可以用来表征整个图像的。图２．?３为图像分类功能的卷积神经网络结??构简图，该图中卷积层与池化层相交替，这样做的优势是既可以呈递增的状态得到特??征图，也能够通过池化来实现对输出特征的降维。??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??图２．?３卷积神经网络结构简图??Ｆｉｇｕｒｅ?２．?３?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在进行卷积神经网络模型训练时，通过使用前向传播和反向传播算法来进行对模??型中权值参数的更新。这样就可以自己通过计算实现特征的自动提取，共享权重使得??网络子空间共用相同的权重，这样不仅减少了网络参数的数目，缩减网络的计算量，??还进一步提高了网络的效率［４＼因此，在卷积神经网络中最为重要的网络结构层是卷??积层和池化层，下面对卷积层与池化层进行相
【参考文献】：
期刊论文
[1]脉冲响应神经网络的构建[J]. 安全,梁川,吴平. 信息与控制. 2009(04)
[2]基于HMM-FNN模型的复杂动态手势识别[J]. 王西颖,戴国忠,张习文,张凤军. 软件学报. 2008(09)
硕士论文
[1]无监督特征学习结合神经网络应用于图像识别[D]. 敖道敢.华南理工大学 2014
本文编号：3593709
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２．?１?Ｒｏｓｅｎｂｌａｔｔ感知器的计算模型图??Ｆｉｇｕｒｅ?２．?１?Ｒｏｓｅｎｂｌａｔｔ?Ｐｅｒｃｅｐｔｒｏｎ?Ｃｏｍｐｕｔｉｎｇ?Ｍｏｄｅｌ??
???馈是指对于一个给定的网络层来说，它的神经元之和相邻层的神经元相连，本层的神??经元互不相连，这样就保证神经网络中上一层的输出就是下一层的输入。网络的最上??层是输出层，输出层中的每一个神经元都与图像的类别相对应。对于网络的输入来说，??在隐藏层中的神经元经过计算后结果被记为￥，然后将其作为下个网络层的输入。在??理想的分类情况下，网络的多个输出中有且只有一个输入是非０的，该值就代表了输??入经过网络处理后的输出结果。??：Ｚ〇：；?安??（ｘ〇）?丨：、Ｘ１）…（??图２．?２多层感知器模型结构图??Ｆｉｇｕｒｅ?２．?２?Ｍｕｌｔｉｌａｙｅｒ?ｐｅｒｃｅｐｔｒｏｎ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ??隐藏层在多层感知器可以根据自己的需求来增加或者减少隐含层的层数，可以将??该非线性函数计算单元置于隐藏层之后，对该层进行相关运算，从而就实现了对输入??的更复杂的计算函数。在现实的实践中，我们可能会因为需求而建立多个隐藏层ｉｑ，??并且对隐藏层的函数进行设计。??２．?１卷积神经网络??卷积神经网络是基于对视觉皮层研宄结果进行发展而得到的。视觉皮层的各种细??胞构成了一个结构复杂的视觉处理系统。而这些视觉皮层的细胞对于视觉接收到的外??界输入的子区域是比较敏感的。这些视觉皮层的细胞根据各自的功能不同被分为两种??基本类型：简单型细胞和复杂型细胞。简单型细胞为了能够更多的获取外界信息会尽??可能的响应来自感受野范围内的刺激。而复杂型细胞的接受域相对较大，这就使得它??对来自确切位置的刺激具有局部不变性［４４］。卷积神经网络则通过卷积核进行局部连接??和对权值进行共享的方式，来大大减少权值参数的数量，因此也减少
然后依次传递给网络的其他层，在网络层中完成相应的计??算处理后输出，该输出会被作为下一层的输入，进行传递。卷积神经网络中的神经元??只和相邻的上层和下层中的相对应的神经元相连，同层中的神经元之间互不相连。神??经元的这种连接方式就可以就达到了局部的感知效果，而神经元则可以通过这种结构??从原始的输入图像中提取出一些对于图像处理来说比较传统的特征，比如边缘特征，??方向特征等。同时这些得到的特征也会被更高层的神经元利用［４５］。经过局部特征提取??的到的特征，是可以用来表征整个图像的。图２．?３为图像分类功能的卷积神经网络结??构简图，该图中卷积层与池化层相交替，这样做的优势是既可以呈递增的状态得到特??征图，也能够通过池化来实现对输出特征的降维。??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??图２．?３卷积神经网络结构简图??Ｆｉｇｕｒｅ?２．?３?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在进行卷积神经网络模型训练时，通过使用前向传播和反向传播算法来进行对模??型中权值参数的更新。这样就可以自己通过计算实现特征的自动提取，共享权重使得??网络子空间共用相同的权重，这样不仅减少了网络参数的数目，缩减网络的计算量，??还进一步提高了网络的效率［４＼因此，在卷积神经网络中最为重要的网络结构层是卷??积层和池化层，下面对卷积层与池化层进行相
【参考文献】：
期刊论文
[1]脉冲响应神经网络的构建[J]. 安全,梁川,吴平. 信息与控制. 2009(04)
[2]基于HMM-FNN模型的复杂动态手势识别[J]. 王西颖,戴国忠,张习文,张凤军. 软件学报. 2008(09)
硕士论文
[1]无监督特征学习结合神经网络应用于图像识别[D]. 敖道敢.华南理工大学 2014
本文编号：3593709
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3593709.html
最近更新
教材专著
