《表2 DTS-SNN模型的学习参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种离散时间调度的图像自分类脉冲神经网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：互抑制范围为宽度×长度。

本文将Caltech数据库中的Face/Moto类别作为数据集进行仿真实验，以验证DTS-SNN模型的有效性。每种图像类别共包含随机选取且不重复的100张图片，训练集和测试集的样本比例各占50%。实验使用CPU+GPU的多核异构PC作为测试平台，选用Anaconda3环境和Python3语言搭建仿真框架，并应用Numba库和CUDA核函数进行硬件加速。实验所使用的DTS-SNN模型的网络参数和学习参数分别如表1和表2所示，C1和C2层的训练轮次分别设为30和50，迭代次数总计为8 000。重复实验10次，取最终稳定后的测试集准确率结果的平均值作为模型的性能评价指标，同时记录训练集准确率以作参考。