一种神经形态计算平台

技术特征：
1.一种神经形态计算平台，其特征在于，包括：神经元计算单元、脉冲缓存单元、数据重排单元、脉冲编码器、控制器和脉冲输出计数器，所述神经元计算单元包括脉冲配置整合单元；所述控制器，用于在接收到输入的待识别图像后，启动所述脉冲编码器对所述待识别图像进行脉冲编码，得到脉冲图像；所述数据重排单元，用于根据卷积核的大小从脉冲图像中获取对应大小的卷积块，并将卷积块展开成一维阵列，得到神经元输入脉冲；所述脉冲配置整合单元，用于根据当前网络层的结构配置神经元类型和分发所述神经元输入脉冲，在所述神经元计算单元根据所述神经元输入脉冲对当前网络层进行计算得到输出的脉冲结果后，对输出的所述脉冲结果进行整合并存储到所述脉冲缓存单元，为下一网络层的计算提供脉冲数据；所述脉冲输出计数器，用于计数输出层神经元发放脉冲的数量，所述输出层神经元发放脉冲的数量用于确定最终识别结果。2.根据权利要求1所述的神经形态计算平台，其特征在于，所述神经元计算单元还包括pe阵列和全连接计算单元；所述pe阵列，用于进行卷积层和池化层的计算；所述全连接计算单元，用于进行全连接层的计算。3.根据权利要求1所述的神经形态计算平台，其特征在于，还包括：用于存储突触权重的突触参数存储单元和用于存储神经元膜电位的神经元存储单元；所述神经元计算单元，具体用于分别从所述突触参数存储单元和所述神经元膜电位存储单元读取突触权重和神经元膜电位，根据该突触权重和该神经元膜电位进行脉冲神经网络模型中的神经元膜电位更新，并将更新后的突触权重存储到所述突触参数存储单元，将更新后的神经元膜电位存储到所述神经元存储单元。4.根据权利要求3所述的神经形态计算平台，其特征在于，还包括：泄露状态机；所述控制器，还用于在所述神经元计算单元完成一个时间步的计算后，启动所述泄露状态机；所述泄露状态机，用于从所述神经元存储单元获取神经元膜电位，根据该神经元膜电位和神经元的更新过程完成膜电位衰减。5.根据权利要求1所述的神经形态计算平台，其特征在于，所述脉冲神经网络模型中的神经元包括if神经元、采用一阶欧拉方法优化后的lif神经元和采用一阶欧拉方法优化后的izhikevich神经元。6.根据权利要求5所述的神经形态计算平台，其特征在于，优化后的lif神经元的计算公式为：公式为：公式为：
β1＝α
·
v[n]，式中，v[n]为当前时刻的膜状态，v[n 1]为所求的膜电位大小，为采用一阶欧拉方法求得的膜电位电压，t
n
为计算时的第n个离散时间步，v
n
为输入膜电位大小，α为神经元膜电阻产生的电压受神经元此时膜电位的影响大小，f1(t,v)为第一目标方程，f2(t,v)为第二目标方程，β1、β2为不同阶段v的大小偏置，v
reset
为神经元静息电位，h为时间步，τ
m
为时间常数。7.根据权利要求5所述的神经形态计算平台，其特征在于，优化后的izhikevich神经元的计算公式为：v[n 1]＝(0.04v2 5v 140-u i)
·
h；u[n 1]＝[a(bv-u)]
·
h；式中，v为所求的膜电位电压，u为膜电位恢复变量，i为神经元的输入电流，h为时间步，a、b、c、d为神经元的模型参数，v
threhold
为膜电压阈值。8.根据权利要求1所述的神经形态计算平台，其特征在于，还包括：数据输入接口和数据输出接口。

技术总结
本申请公开了一种神经形态计算平台，控制器启动脉冲编码器对待识别图像进行脉冲编码得到脉冲图像；数据重排单元根据卷积核的大小从脉冲图像中获取对应大小的卷积块，并将卷积块展开成一维阵列，得到神经元输入脉冲；脉冲配置整合单元根据当前网络层的结构配置神经元类型和分发神经元输入脉冲，在神经元计算单元根据神经元输入脉冲对当前网络层进行计算得到输出的脉冲结果后，对输出的脉冲结果进行整合并存储到脉冲缓存单元，为下一网络层的计算提供脉冲数据；脉冲输出计数器计数输出层神经元发放脉冲的数量，用于确定最终识别结果，改善了现有的神经形态计算平台无法支持多种网络拓扑结构的神经网络模型的技术问题。网络拓扑结构的神经网络模型的技术问题。网络拓扑结构的神经网络模型的技术问题。


技术研发人员：陈岳海 叶武剑 刘怡俊
受保护的技术使用者：广东工业大学
技术研发日：2022.08.17
技术公布日：2022/11/11