一种用于双阈值脉冲神经网络的改进自适应阈值算法

作者：王浩杰; 刘闯^*

来源：计算机应用研究, 2023, 1-8.

DOI：10.19734/j.issn.1001-3695.2023.05.0210

• 脉冲神经网络
• 高精度转换
• 双阈值记忆神经元
• 自适应阈值

脉冲神经网络(spiking neural network,SNN)由于在神经形态芯片上低功耗和高速计算的独特性质而受到广泛的关注。深度神经网络(deep neural network,DNN)到SNN的转换方法是有效的脉冲神经网络训练方法之一。然而从DNN到SNN的转换过程中存在近似误差，转换后的SNN在短时间步长下遭受严重的性能退化。通过对转换过程中的误差进行详细的分析，将其分解为“量化和裁剪误差”以及“不均匀误差”。提出了一种改进SNN阈值平衡的自适应阈值算法，通过使用最小化均方误差(MMSE)更好的平衡量化误差和裁剪误差。此外，基于IF神经元模型引入了双阈值记忆机制，有效解决了“不均匀误差”。实验结果表明，改进算法在CIFAR-10、CIFAR-100数据集以及MIT-BIH心律失常数据库上取得了很好的性能。对于CIFAR10数据集，仅用16个时间步长就实现了93.22%的高精度，验证了算法有效性。

• 单位
  沈阳大学