基于生物机制脉冲神经网络特征提取.docVIP

基于生物机制脉冲神经网络特征提取 　　摘要：脉冲神经元可以被用于处理生物刺激并且可以解释大脑复杂的智能行为。脉冲神经网络以非常逼近生物的神经元模型作为处理单元，可以直接用来仿真脑科学中发现的神经网络计算模型，输出的脉冲信号还可与生物神经系统对接。而小波变换是一个非常有利的时频分析工具，它可以有效的压缩图像并且提取图像的特征。本文中将提出一种与人类视觉系统的开/关神经元阵列相结合的脉冲神经网络，来实现针对视觉图像的快速小波变换。仿真结果显示，这个脉冲神经网络可以很好地保留视觉图像的关键特征。 　　关键词：快速小波变换；脉冲神经元网络；图像压缩；特征提取 　　中图分类号：TP183文献标识码：A 　　1引言 　　众所周知，拥有超级智能的大脑通过一个非常庞大且复杂的神经网络来处理信息。随着脑神经科学研究进展，发现了许多大脑处理感知信息的神经网络计算模型。Hodgkin-Huxley脉冲神经元模型于1952年由Hodgkin和Huxley提出。以此神经元模型为基础，之后的科研工作者提出了一套更加靠近生物神经网络的脉冲神经网络理论，这被称为第三代人工神经网络。脉冲神经网络以非常逼近生物的神经元模型作为处理单元，可以直接用来仿真脑科学中发现的神经网络计算模型，输出的脉冲信号还可与生物神经系统对接。因此，可将脑神经科学与人工智能科学有机地结合起来，这对于人工智能系统和计算机视觉的研究有重要意义。近年来基于这种模型的神经网络的研究层出不穷[1-3]。但是这种模型一旦被应用于大型网络仍将会面临非常复杂的计算量[4]。因此，针对脉冲神经元网络（spikingneuronnetwork，SNN）中的各个单个神经元，我们将使用简化后的基于电导率的累积放电模型进行计算[5]。在人类视觉系统中，从初级视觉皮层中的细胞到视网膜和外侧膝状体核中的简单细胞都有着不同的感受野[6-8]。视觉图像在这些神经元中以脉冲训练的形式通过ON或OFF通道进行传输[9-10]。假设每一个神经元都接收来自开神经元的激励型突触和关神经元的抑制型突触的脉冲训练。不同的开/关通路以一种生物方式被用于构建特定的网络[11]。在神经网络的研究方面，国内学者也有着出色的进展。如蔺想红等人在脉冲神经网络的理论研究方面进行了细致的研究[12-13]，而在其应用方面也有着可喜的进展，具体可参考文献[14-15]。另一方面，基于小波变换能够有效的提取图像的关键特征[16-18]，在本文中，一个特定的基于小波变换算法的脉冲神经元网络将被提出并用于模拟人类视觉系统中的脉冲神经元的行为，同时此网络可以提取出视觉图像的主要特征信息。 　　2快速小波变换算法 　　Mallat于1987年提出了快速小波变换（fastwavelettransform，FWT）[19-20]。快速小波变换是一种实现离散小波变换的高效计算方法。二维快速小波变换的计算流程图如图1所示。 　　如图1所示，f（m，n）为数字输入信号，h0（m，n）是低通滤波器的冲激响应，h1（m，n）是高通滤波器的冲激响应，h0（m，n）和h1（m，n）共同组成了分析滤波器组。2表示间隔性下采样。当输入信号连续通过各个滤波器并分别作下采样操作后，最终得到的四个信号即为小波变换的近似系数wA，水平分量wH，垂直分量wV和对角分量wD。 　　3构建基于快速小波变换算法的脉冲神经 　　元网络 　　基于Mallat算法和视觉系统开/关通道机制[11，21，22]，本文建立了一个累积放电的脉冲神经元模型，记为SNNFWT模型，如图2所示。 　　计算技术与自动化2016年3月 　　第35卷第1期张振敏等：基于生物机制脉冲神经网络的特征提取 　　其中，输入神经元阵列的维度是M×N。图像的每一个像素相当于一个信号接收器。假设Gm，n（t）表示一幅图像像素的灰度级，每一个光接收器都将像素亮度转化为突触电流Im，n（t）[23-25]。那么电流Im，n（t）和神经元的膜电压vm，n）（t）将满足以下公式： 　　dlm，n（t）dt=-1τIm，n（t）+αGx，y（t） （1） 　　cdvm，n（t）dt=gl（El-vm，n（t））+Im，n（t）+I0（2） 　　其中m=1，…，M；n=1，…，N；a，τ是常数，gl是膜电导，El是反转电势，c表示膜电容，I0是背景噪声。如果膜电压超过了门限值vth，那么神经元就发出一个脉冲。令Sm，n（t）表示这个神经元所产生的脉冲训练： 　　Sm，n（t）=1ifneuron（m，n）firesattimet. 　　0ifneuron（m，n）doesnotfireattimet.（3） 　　中间神经元阵列第一层由三个维度是M×（N+1）的神经元阵列构成，如图2所示。前两个是开神经元阵列