1.一种基于近似计算的可在线学习神经形态处理器,其特征在于,包括:推理子系统、训练子系统和通信子系统;
所述推理子系统,包括输入层、隐藏层和输出层,所述隐藏层包括多个并行处理的脉冲处理核,所述输出层包括至少一个脉冲处理核;每个脉冲处理核中包括多个通过预设的神经元模型建立的物理神经元;
所述推理子系统,用于根据预存的突触权重和激活阈值,通过所述隐藏层和所述输出层中的脉冲处理核,对编码后接入至所述输入层的多尺度输入图像进行近似计算,统计一个时间窗口内多个时间步长的计算结果,生成所述多尺度输入图像的识别结果;
所述训练子系统,用于利用所述输入层接入多个图像至所述隐藏层和所述输出层,采用基于历史权重的随机在线学习方法对所述突触权重和所述激活阈值进行更新;
所述推理子系统,还用于基于训练更新后的突触权重和激活阈值,通过所述隐藏层和所述输出层中的脉冲处理核进行近似计算,对所述多尺度输入图像的识别结果进行更新;
所述通信子系统,用于通过分层路由架构,对所述推理子系统和所述训练子系统的数据传输进行多层级路由控制。
2.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述输入层包括多个虚拟神经元,所述虚拟神经元的数量与输入图像的尺度相匹配,用于接入对输入图像进行速率编码后的二值化图像的脉冲序列;
所述隐藏层和所述输出层中的脉冲处理核均内置有突触核和神经元计算核;所述突触核预存有通过预训练获得的突触权重;所述神经元计算核预存有通过预训练获得的激活阈值;所述神经元计算核内置有多个物理神经元;所述多个物理神经元形成流水线结构,将所接入的二值化图像的脉冲序列依次传递。
3.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,每个所述物理神经元包括:由多个近似计算单元构成的PE阵列、近似加法树和脉冲发放决策单元;所述近似计算单元内置有累加控制逻辑电路和至少一个近似加法器;所述近似加法树由多个近似加法器两两相加分级构成;
所述PE阵列,用于分批次时刻接入二值化图像的局部脉冲序列,并将所述局部脉冲序列的各个脉冲分别发放至对应的近似计算单元中进行独立并行求和;并通过时分复用所述多个近似计算单元,分批次时刻执行所述二值化图像的多个局部脉冲序列的累加计算,获得各个近似计算单元所累计的膜电位增量;
每个所述近似计算单元,还用于分别根据预设的神经元模型,利用各批次时刻所累计的膜电位增量更新物理神经元在当前时刻分布在当前近似计算单元的局部膜电位;
所述近似加法树,用于将每个近似计算单元输出的局部膜电位进行求和,获得物理神经元与接入的二值化图像相对应的膜电位;
所述脉冲发放决策单元,用于将所述近似加法树所汇总的膜电位与所述激活阈值进行比较,决定是否对当前物理神经元进行激活;若当前物理神经元没有被激活,则根据预设的神经元模型对当前物理神经元的膜电位进行衰减;若当前物理神经元被激活,则发放新脉冲至下一层神经元,并在物理神经元被激活发放脉冲之后,根据预设的神经元模型对当前神经元的膜电位执行重置。
4.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述神经元模型包括神经元充电模型,所述神经元充电模型的数学模型为:V(t)=V(t-1)+X(t),
或者
或者
其中,V(t)为神经元在当前时刻的膜电位,V(t-1)为神经元在上一时刻的膜电位,X(t)为当前时刻输入脉冲所形成的膜电位增量,为预设的膜电位衰减因子;Vrst为神经元的重置基准电位。
5.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述神经元模型包括神经元重置模型:V(t+)=Vrst,
或者
其中,所述V(t+)为神经元在当前时刻的重置后膜电位,V(t-)为神经元在当前时刻的重置前膜电位;Vrst为预设的重置基准电位;为预设的膜电位衰减因子;Vth为当前神经元的激活阈值。
6.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述训练子系统包括:控制器、神经元比较器、更新仲裁器、随机数生成器和参数更新器;
所述控制器,用于控制神经元所接收的输入脉冲序列的时间长度,对所述训练子系统的正确时序和功能运行进行控制;
所述神经元比较器,用于比较获得不同物理神经元的激活状态,基于脉冲发放速率选出最活跃的物理神经元;
所述更新仲裁器,用于接收所述神经元比较器的输出结果,将最活跃的物理神经元输送至所述参数更新器;
所述随机数生成器,用于基于线性反馈移位寄存器,采用移位操作生成伪随机数;
所述参数更新器,用于基于历史权重的随机在线学习策略,利用所述伪随机数和神经元当前存储的突触权重,对所述最活跃的物理神经元的突触权重和激活阈值进行更新。
7.根据权利要求6所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述基于历史权重的随机在线学习策略,具体包括:若物理神经元的当前时刻膜电位与当前时刻激活阈值的差值大于所述伪随机数,则按照以下数学模型更新当前物理神经元的突触权重和激活阈值:其中,W(t)表示更新后的突触权重,W(t-1)表示更新前的突触权重,Vth(t)表示更新后的激活阈值,Vth(t-1)表示更新前的激活阈值,Δt表示前神经元与后神经元释放脉冲的时间差,a和b表示两种不同的权重更新幅度;c表示激活阈值的更新幅度;
否则,物理神经元在当前时刻的突触权重和激活阈值维持不变。
8.根据权利要求6所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述神经元比较器基于脉冲发放速率选出最活跃的物理神经元,具体为:将输入脉冲序列中的各个脉冲信号与当前物理神经元对应的突触权重执行加权求和,获得输入脉冲序列的累计膜电位;
将所述累计膜电位与当前物理神经元的激活阈值相减,获得累计差值;
为所述输入脉冲序列中的各个脉冲信号按照顺序分配触发时序;并将带有触发时序的各个脉冲信号与当前物理神经元对应的突触权重执行加权求和,获得所述输入脉冲序列的时序加权膜电位;
将所述时序加权膜电位与所述累计差值的比值作为当前物理神经元的归一化脉冲发放时长;
将隐藏层的所有物理神经元的归一化脉冲发放时长进行逐一比较,选出与最小值相对应的神经元为隐藏层的最活跃物理神经元;
将输出层的所有物理神经元的归一化脉冲发放时长进行逐一比较,获得与最小值相对应的神经元为输出层的最活跃物理神经元。
9.根据权利要求3所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述近似加法器为带纠错机制的推测进位加法器。
10.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器,其特征在于,所述通信子系统为三级路由系统,包括:零级路由器、一级路由器、二级路由器;
所述零级路由器设置在每个脉冲处理核内部,用于将所述一级路由器的封装信号输送至对应的脉冲处理核,并将所述脉冲处理核的计算结果重新封装为数据包后发送至所述一级路由器;
所述一级路由器,用于按照预设的通信协议将所述零级路由器的数据进行汇集与封装,实现数据在各个脉冲处理核之间的通信传输;
所述二级路由器,用于按照预设的通信协议将所述一级路由器的输出数据进行汇集,实现多个由脉冲处理核集群组成的神经形态处理器之间的数据通信,或者,神经形态处理器与外部电路之间的数据通信。