一种高复用度低功耗的脉冲神经网络模型的制作方法

技术特征：
1.一种高复用度低功耗的脉冲神经网络模型，其中所述网络包括编码层，脉冲卷积层，脉冲池化层，全连接层以及脉冲输出层，其特征在于：该网络实现方法包括如下步骤：步骤一、图片数据经过突触模型转换成脉冲信号；步骤二、脉冲卷积层提取信号的多维度信息；步骤三、脉冲池化层对数据进行降维、去除冗余信息；步骤四、全连接层进行特征空间映射。2.根据权利要求1所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：所述步骤一中突触编码模型，通过神经突触的电位衰减，将图片数据转换成t个时间步长的电位信息，便于后续其他网络层进行数据处理；由于是输入层，所以，没有前一层的刺激，每一个时间步长的电位逐级递减。3.根据权利要求2所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：所述的突触编码模型模拟生物中突触的电位更新规则，神经元膜电位随着时间衰减，当有脉冲输入时，进行立即反应，具体更新规则为4.根据权利要求1所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：步骤二中脉冲卷积层，整个网络中有多个卷积层，其卷积核大小相同且可自定义尺寸，便于在数据处理时进行复用处理，突触模型使用的是lif模型，将卷积后的结果传递到突触模型中，依据每一个时间步长的结果与阈值进行对比：如果大于阈值，传递脉冲1到下一层；小于阈值，则进行膜电位正常的衰减。5.根据权利要求4所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：在具体实现过程中，通过状态信号线，判定网络的进程，配置相应卷积层的卷积核大小关键数据，进而进行脉冲卷积处理。6.根据权利要求4所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于，脉冲卷积操作，将一个乘法和加法操作作为一个基本的运算单元，每次从内存中读取与卷积核相同尺寸的数据，并行处理与卷积核个数相同的数据，卷积完成后将数据传递到突触模型中。7.根据权利要求1所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：脉冲池化层，脉冲卷积层的脉冲，其数值大小为1或0，在具体池化层搭建时，采用或门电路，以达到最小化资源消耗的作用；并且，具体池化核大小可自定义，以适应不同的应用场景。8.根据权利要求1所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：步骤四中全连接层，复用脉冲卷积处理单元，每次读取卷积核大小尺寸的数据，复用卷积核的处理单元，计算得到最后一层的与分类结果相同数目的数据，进而完成图像数据的分类。9.根据权利要求1所述的一种高复用度低功耗的脉冲神经网络模型，其特征在于：不同的场景任务复杂程度不同，需要搭建深度不同的脉冲神经网络，本发明中的网络深度可以根据应用场景自定义设置，以满足不同的场景。

技术总结
本发明公开了一种高复用度低功耗的脉冲神经网络模型，网络包括编码层，脉冲卷积层，脉冲池化层，全连接层以及脉冲输出层，图片数据经过突触模型转换成脉冲信号；脉冲卷积层提取信号的多维度信息；脉冲池化层对数据进行降维、去除冗余信息；全连接层进行特征空间映射。本发明引入了时间的概念，运用神经元之间的突触信息传递信号，可以实现低能耗的效果；本发明采用了网络层复用以及卷积复用等方法，节省了计算资源，提高了计算效率。提高了计算效率。提高了计算效率。


技术研发人员：张国和 王冉 刘佳 万贤杰 俞宙 丁莎
受保护的技术使用者：中国电子科技集团公司第二十四研究所
技术研发日：2022.11.02
技术公布日：2023/2/3