买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种低延迟局部二值脉冲神经网络及其训练方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116796809B 。

龙图腾网通过国家知识产权局官网在2025-12-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310794000.2，技术领域涉及：G06N3/049；该发明授权一种低延迟局部二值脉冲神经网络及其训练方法是由徐长卿;裴乙鉴;刘毅;杨银堂设计研发完成，并于2023-06-30向国家知识产权局提交的专利申请。

本一种低延迟局部二值脉冲神经网络及其训练方法在说明书摘要公布了：本发明涉及二值脉冲神经网络及其训练方法，具体涉及一种具有精度损失估计器的低延迟局部二值脉冲神经网络及其训练方法，用于解决现有二值脉冲神经网络根据实验经验将第一层和最后一层的权重进行二值化操作时无法在精度和空间量化之间取得平衡，并且脉冲神经网络通常需要足够的时间步长来模拟神经动力学和编码信息，且需要很长时间才能收敛，进而导致计算成本增大的不足之处。该低延迟局部二值脉冲神经网络包括输入层、N个端到端的脉冲卷积块、全局平均池化块、输出层；同时，本发明公开一种上述低延迟局部二值脉冲神经网络的训练方法。

本发明授权一种低延迟局部二值脉冲神经网络及其训练方法在权利要求书中公布了：1.一种低延迟局部二值脉冲神经网络，其特征在于：包括输出输入依次连接的输入层、N个端到端的脉冲卷积块、全局平均池化块、输出层；N为正整数； 所述输入层用于接收外部输入的原始图像，并将其编码为脉冲信号； 每个所述脉冲卷积块包括输出输入依次连接的精度损失估计器、脉冲卷积层、批处理规范化层、神经元和平均池化层； 所述精度损失估计器用于决定网络权重是否二值化，精度损失估计器的输入端连接输入层的输出端；所述脉冲卷积层用于提取特征；所述批处理规范化层用于对每个批次的输入进行归一化；所述平均池化层用于下采样和特征压缩； 所述全局平均池化块包括输出输入依次连接的卷积层、全局平均池化层，所述卷积层的输入端连接平均池化层的输出端，所述全局平均池化层的输出端连接所述输出层的输入端； 所述输出层用于对输入的脉冲信号进行分类，得到预测结果； 所述低延迟局部二值脉冲神经网络采用以下方法得到： 步骤1、对原始数据集的原始图像进行预处理；同时，建立所述的低延迟局部二值脉冲神经网络，并设置超参数； 步骤2、将经过步骤1处理的原始数据集输入步骤1建立的低延迟局部二值脉冲神经网络的输入层进行编码操作； 步骤3.1、将经过步骤2处理的原始数据集输入精度损失估计器计算二值权重： 将全精度权重W作为起始点进行初始化,使用n个二值化权重块对全精度权重进行二值化近似,得到二值权重BW，公式如下： 其中，n为小于等于5的正整数，ni为Bi的调整系数，Bi表示第i个二值化权重块得到的二值权重； Bi＝signW-meanW+i-nstdW 其中，Mean是取平均值，std是取标准差，sign是符号函数； 步骤3.2、根据二值权重分别计算二值化损失、空间损失与传播损失，进而得到权重误差衡量因子； 步骤4、根据步骤3的权重误差衡量因子，选择部分网络层为非二值化层，采用全精度权重传播，对剩余网络层的网络权重进行二值化处理，采用二值权重传播，最终通过输出层得到预测结果； 步骤5、通过损失函数衡量步骤4的预测结果； 步骤6、在反向传播过程中，使用替代梯度函数近似计算网络权重的梯度；根据网络权重的梯度，对网络权重进行优化调整； 步骤7、判断网络权重的精度波动是否小于等于1％，若是，则执行步骤8，否则返回步骤2，继续求最优权系数； 步骤8、根据链式规则计算权值损失L，并得到权值损失L与学习率LR的乘积L×LR；选择与L×LR最相近的niBi，将其对应的Bi由非零变为零或由零变为非零；根据权值损失L与学习率LR的乘积L×LR对二值权重进行调整，以减少二值权重带来的误差和网络损耗； 步骤9、判断步骤8得到的网络权重是否满足精度要求，若满足，则完成训练，否则返回步骤2。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。