课程文献中心 更多>>

关键词： 脉冲神经网络   STDP学习算法   图像分类   LIF神经元   网络结构  

摘要： 近年来,随着神经科学技术的快速发展,类脑计算逐渐成为人工智能领域的热门研究方向,而起源于神经科学理论基础的脉冲神经网络现已成为类脑计算领域的主流框架之一。脉冲神经网络作为目前最具仿生性的人工神经网络,它包含具有时序动力学特性的神经元节点,采用脉冲作为编码信息且以生物突触结构为基础构建脉冲神经元,相较于传统人工神经网络更具有生物可解释性。目前,对于脉冲神经网络的研究大多局限于单层或浅层的网络结构,只能用于解决一些简单的逻辑分类问题。虽然脉冲神经元能有效地模拟生物神经元,但由于缺乏高效的学习算法,其学习能力不及当前的深度模型。在实际分类任务中,传统深度神经网络只能通过模仿生物大脑空间层次结构来解释数据间的通信,以解决特定任务,缺乏泛化能力。由于传统人工神经网络未考虑到对生物神经元膜电位变化和尖峰放电过程的真实模拟,因此缺乏生物可解释性,而泄漏积分点火(Leaky Integrate and Fire,LIF)神经元能很好地模拟生物神经元动力学,更符合生物学原理。为了使人工神经网络兼具生物合理性和模式识别任务的高效性,本文基于LIF神经元设计了两种脉冲神经网络结构,以提升网络性能和学习效率,并在图像分类任务中进行了实验验证。本文的主要贡献及创新点如下:(1)为克服脉冲神经网络在图像分类任务中存在的分类精度低、延迟间隔大等局限。本文研究并分析脉冲时间依赖突触可塑性(Spike Timing Dependent Plasticity,STDP)无监督学习算法的优势,提出一种STDP学习算法和竞争学习相结合的方法,并设计了一个两层脉冲神经网络结构。网络层分为输入层和学习层,其中,学习层设置不同数量的学习神经元进行小批量样本训练。采用STDP学习算法进行权重更新,引入STDP偏移量以增强脉冲时序因果性,并对MNIST图像数据集进行分类验证。结果显示,本文提出的网络结构分类准确率达83.179%,具有生物合理性且在无监督学习分类方面有较好的表现。(2)为解决脉冲神经网络难以实现更深层次网络应用这一问题。本文依据脉冲神经元的优势,在深度模型中嵌入脉冲机制。同时将深度学习与脉冲神经网络相结合,设计两种深度脉冲神经网络结构,分别为两层网络结构的FC-DSNN和卷积FC-DSNN。采用泊松编码将图像像素值编码为脉冲序列,选用Adam优化算法进行网络训练,并在MNIST和Fashion MNIST图像数据集中进行分类验证。实验表明,这两种网络结构在图像分类任务的表现有所提升,准确率分别达到97.67%和97.09%,且训练耗时更短,提升了图像分类的效率。

关键词： 类脑计算   神经形态视觉传感器   特征表达   脉冲神经网络   动作识别  

摘要： 神经形态视觉传感器从器件功能层次模拟真实的生物视觉感知过程,通过将相对光强变化编码为异步事件流来有效表示动态场景的视觉信息,不仅具备高时间分辨率、高动态范围感知能力、而且极大减少信息冗余,支持低延迟、低功耗计算。然而,这种全新事件流数据所具有的固有噪声干扰、动作语义信息时变以及异步离散表示等特性导致目前缺少有效的事件流处理与学习方法。因此,本文从事件流去噪、样本划分以及特征表示与学习几个方面开展系统性研究,提出一套基于事件的事件流处理与学习方案,包括噪声协同过滤、自适应样本划分以及时空特征与运动特征编码和学习算法。最后,以动态场景下的实时手语识别作为本工作所提出系统的典型应用案例,实现从理论方法到实际应用的技术转化。本文的主要贡献点包括:·针对事件流的固有噪声问题,定义了三种典型噪声并基于不同时空关联度计算策略提出多种噪声协同过滤算法。首先提出两种基于事件滤波器的去噪方法,时空滤波去噪方法通过结合时空表面与时间窗口约束实现背景和冗余噪声的协同过滤;事件密度去噪方法利用新颖的基于时间和索引的事件密度表示综合考虑事件时空邻域内每个点的时空关联性,进一步去除了干扰噪声;然后,将HOTS网络和SNN网络引入到去噪过程中,提出两种基于网络的去噪方法,分别利用时空平面在线聚类以及LIF神经元脉冲动力学过程自适应捕获事件间的时空关联性,实现数据自适应的噪声过滤。提出的事件去噪方法可以有效去除背景、冗余和干扰三类典型噪声,保留了关键特征事件的同时提升了事件的稀疏性。·针对事件流样本划分问题,根据LIF神经元的膜电位动态和真实运动状态的关联提出了基于膜电位双极检测的自适应划分算法。该方法利用LIF神经元整合输入的时空信息并监测膜电压局部极值点(波峰和波谷),进而将带有波峰的两个波谷内的事件流划分为一个动作片段。此外,引入两种阈值机制来去除动作起始以及切换期间的一些干扰运动事件。提出的事件流样本划分算法可以适应不同的运动速度,不仅支持单一循环重复动作的划分,并且能够实现动作序列的划分。·针对事件流的时空特征表达与学习问题,提出了一种基于事件时空表示与多脉冲学习的事件流分类模型。该模型包括一个时空事件平面特征(STES)描述算子和一种基于局部搜索和梯度裁剪的多脉冲Tempotron(LS-MST)学习算法。STES特征描述算子通过融合事件的空间和时间关联表示,可以捕捉事件细粒度的时空特征差异,进而对事件流进行准确的特征编码。LS-MST学习算法通过局部搜索策略减少了关键阈值的搜索时间与搜索误差,同时采用梯度裁剪保证SNN能够高效、稳定地学习编码事件的时空特征。提出的模型对具有更丰富时空动态的复杂对象或动作具有更好的适应性,从模型规模、收敛速度以及测试精度上明显优于其他事件流识别模型。此外,提出的基于事件的特征表达与学习保留了事件的异步性,可以充分利用事件间隔时间进行计算,更有利于在线实时处理细粒度时间分辨率的事件流。·针对动作事件流的运动信息表示与分类问题,提出一种基于事件的运动特征表达方法,为脉冲神经网络事件流分类模型提供了一个通用的运动特征表示模块,提升其动作分类精度与速度。该方法将运动历史信息与梯度方向计算引入事件流的处理中,可以高效提取动作的运动信息,快速准确判别运动差异,相比传统事件特征表示方法具有更强的特征可分性与更快的处理速度,尤其是在顺时针与逆时针这种依赖运动时空相关性的动作区分上。然后,研究、设计三种基于SNN的分类器,可以充分利用提取的梯度方向特征,提高动作分类精度。首先,将经典单层SNN分类器Tempotron与我们的特征结合,实现快速、精确分类,在多个数据集上分类精度高于其他使用单层SNN分类器的特征,并且结果可以与目前表现优异的深度SNN模型相比;然后,提出基于事件索引编码输入的深度SNN分类器,进一步扩大了输入事件流之间的时空差异性,可以进行单一动作事件流的准确分类,得到了对比方法中最好的分类结果;最后,提出了基于脉冲簇因果集的Tempotron分类器,可以从带有背景噪声的手势序列事件流中检测并识别动作。·针对真实场景下的手语识别应用,提出了面向动态视觉传感器的动作识别演示系统,并为该应用演示提供了一套全新的手语事件流数据集Sign Language10-DAVIS。该系统可以实现神经形态数据集录制以及单个或连续手语动作识别。在实际场景下的测试验证了系统在单一和连续动作识别的可行性与有效性。

关键词： 情绪识别   脉冲卷积神经网络   卷积神经网络   脑电信号   AlexNet  

摘要： 在大数据时代,受大脑启发的传统机器学习和深度学习已经在图像、视频和语音识别等领域取得了许多进展,但是与理想的类脑智能还有很大差距。为了实现强人工智能,类脑计算提出一种新的思路,采用更接近生物神经元的脉冲神经元构建脉冲神经网络,使神经网络在生物可解释性、计算速度、能耗方面更具优势。情绪是人类对客观事物的主观感受,是一种常见的心理活动,情绪识别是人工智能技术的重要应用领域。利用脑电信号进行情绪识别,不易受主观因素的影响,可以更真实地体现人类的情绪状态。由于脑电数据人工判读费时且易出错,近年来众多学者搭建人工神经网络进行情绪识别,但是利用脉冲神经网络进行情绪识别的研究仍处于初期。因此本文研究目标为:构建基于脉冲卷积神经网络的情绪识别模型,并将脉冲卷积神经网络与卷积神经网络对比,证明脉冲神经网络的可行性。 本文构建了用于情绪识别的脉冲卷积神经网络。文章使用上海交通大学的公开数据集SEED数据集。首先将原始数据进行预处理和特征提取,构建三维特征矩阵。然后构建脉冲卷积神经网络(SAlex Net),将三维特征输入网络实现分类。实验结果表明,基于脉冲卷积神经网络的SAlex Net模型分类准确率达到90.15%,证明了脉冲卷积神经网络用于情绪识别的可行性。

关键词： 脉冲神经网络   预测性编码   事件相机   自适应脉冲循环神经网络   角速度回归  

摘要： 事件驱动的脉冲神经网络(SNN)被认为是第三代神经网络,它结合了生物学上的局部学习规则,使得为脉冲神经网络构建低功耗的神经形态硬件成为可能。一方面,由于脉冲神经网络编码方式的非线性和离散性,脉冲神经网络的训练仍然很困难。反向传播起源于梯度下降,虽然其在多层的脉冲神经网络应用的效果不如传统神经网络,但也取得了一定的成功。尽管如此,目前的基于反向传播的脉冲神经网络有监督学习算法由于使用过多的全局信息,并且需要建立独立的反馈回路,因此在理论上仍然缺乏生物学上的合理性和可行性,并且会消耗相对较高的计算资源。 另一方面,事件相机是一种新型的生物传感器:与传统帧相机以固定速率捕捉帧图像不同,它们异步地测量每个像素的亮度变化,并输出一系列事件,事件是对亮度变化的时间、位置和极性的离散编码。由于脉冲神经网络应用的是基于事件的计算模型,该独特的属性使得SNN可以在极低的功耗下直接处理基于事件的异步传感器的输出,无需任何预处理。本文的创新和贡献归纳如下: 本文提出了一种受预测编码理论启发的新的学习算法,并证明它和反向传播一样完全自主地执行监督学习,仅利用局部Hebbian可塑性,计算成本较低。此外,与最先进的多层脉冲神经网络有监督学习算法相比,该方法达到了良好的性能:对Caltech Face/Motorbike数据集的测试精度为99.25%,对ETH-80数据集的测试精度为84.25%,对MNIST数据集的测试精度为98.1%,对神经形态数据集N-MNIST的测试精度为98.5%。该算法为用局部信息实现神经形态电路中的有监督学习算法提供了一个新的思路。 本文首次将一种新型的脉冲神经网络:自适应脉冲循环神经网络(ASRNN)应用在连续时间域对基于事件的数据进行数值回归的预测中。研究表明,基于时间的反向传播算法(BPTT)训练的ASRNN在这一回归问题上的表现明显优于原始的基于前馈SRM的脉冲神经网络,在100ms的连续预测中取得了60.39deg/s的均方误差,这得益于ASRNN编码的长-短期记忆属性。 为了进一步研究,本文扩展了这项工作,提出了一种新的沿时间的SNN学习算法:沿时间的预测性编码算法(PCTT),在满足生物上合理的局部可塑性约束的同时,取得了比BPTT算法更好的性能,均方误差为59.58deg/s。并且通过PCTT,可以在一定程度上解决BPTT算法中的梯度爆炸/消失问题。此外,空间和时间维度上的局部可塑性使得参数更新过程异步或并发,减少算法的计算复杂度。

关键词： 量子神经网络   数字图像处理   量子图像处理   脉冲耦合神经网络  

摘要： 近年来随着量子技术的发展,量子图像处理受到了广泛关注。虽然已有许多量子图像处理算法被提出,但量子图像边缘检测、量子图像分割、量子图像滤波、量子神经网络等领域还待丰富,适用于图像处理的量子神经网络较少。为了进一步丰富量子图像处理,构建适用于图像处理的量子神经网络,本文的主要研究内容如下:(1)对近年来量子图像处理的相关文献进行了综述,从量子图像表示、几何变换、形态学变换、边缘检测、图像分割、图像匹配、图像保护、图像滤波和图像压缩等方面对量子图像处理的研究进展进行了梳理和总结。讨论了量子图像处理的优缺点,并指出了未来可能的研究方向。(2)在脉冲耦合神经网络(Pulse coupled neural network,PCNN)的基础上,以图像分割、图像去噪为应用背景,提出了量子脉冲耦合神经网络(Quantum pulse coupled neural network,QPCNN)。利用量子逻辑门构建如量子全加器、量子乘法器、量子比较器等的量子运算模块,利用量子全加器和邻域制备模块设计了一种适用于QPCNN的量子图像卷积运算模块。并利用这些模块来完成QPCNN所需的计算。通过仿真实验验证了QPCNN的有效性。复杂度分析表明,与PCNN相比,QPCNN的复杂度显著下降。(3)将量子计算与双通道脉冲耦合神经网络(Dual channel pulse coupled neural network,DPCNN)相结合,以图像融合为应用背景,构建了双通道量子脉冲耦合神经网络(Dual channel quantum pulse coupled neural network,DQPCNN)。通过仿真实验可知,DQPCNN在图像融合中能够达到与DPCNN相同的效果,其有效性得以验证。通过复杂度分析可知,DQPCNN具有较低的复杂度。

关键词： 联邦学习   脉冲神经网络   脉冲图卷积神经网络  

摘要： 深度神经网络在语言识别、图像处理等方向上都有广泛的应用,但是深度神经网络获得高准确率的代价是高的计算成本和功耗。脉冲神经网络(Spiking Neural Network,SNN)以脉冲作为信息的载体,不仅节能,而且具有更高的生物可解释性。联邦学习(Federated Learning,FL)是一种分布式框架,能够在保护隐私的情况下提高训练的精度。在现实场景下,FL的参与方大多是功耗受限的移动设备,考虑到SNN节能的特点,FL和SNN可以进行结合。现有的相关工作只是SNN和FL的简单结合,没有结合SNN的特点来处理设备异质性和数据异质性。本文的工作内容如下所示:(1)为了提高SNN在FL框架下的训练精度,同时减小客户端的功耗,本文提出了基于自适应聚合权重策略的高效异步联邦学习算法。首先,针对实际场景中可能因为通信延迟、客户端计算能力差异、硬件故障等而导致的系统运行缓慢甚至崩溃的问题,引入异步框架,并设置了权重衰减来减小梯度陈旧带来的影响。其次,考虑到SNN的平均发射率易受到外界攻击、干扰以及客户端之间的异质性的影响,结合SNN的特点,设计了一种基于神经元发射频率、样本量和信息年龄的自适应权重聚合策略。最后,基于真实数据集MNIST数据集和Fashion MNIST数据集对所提出的算法进行了全面的仿真实验,在理想环境和存在攻击的场景下分别进行了实验,验证了所提出的算法在独立同分布和非独立同分布场景下具有较高的准确率。(2)针对图卷积神经网络(Graph Convolutional Network,GCN)网络的高计算开销,以及跨客户端卷积的数据安全问题,本文提出了基于联邦学习的脉冲图卷积神经网络算法(FL-Spiking GCN算法),利用矩阵摄动的理论对全局邻接矩阵进行加密,客户端通过加密的全局邻接矩阵来聚合分布在其他客户端邻居节点的嵌入。本文基于真实数据集MNIST数据集、Fashion MNIST数据集以及图神经网络领域的Cora数据集、Citeseer数据集、Pubmed数据集来对提出的算法进行了实验,实验结果表明了FL-Spiking GCN算法能够在保护用户隐私的前提下取得良好的效果。

关键词： 脉冲神经网络   无人驾驶   双目深度估计   车辆转向预测   仿真系统  

摘要： 近年来,随着汽车数量的增加,无人驾驶技术的发展变得越发紧迫。无人驾驶技术是指汽车利用自动驾驶系统感知环境、自主规划路径、避开障碍物,从而实现自主航行的过程。双目深度估计和车辆转向预测分别是自动驾驶系统感知模块和决策模块中的关键任务。然而,现有基于深度学习的双目深度估计和车辆转向预测算法存在计算量大、功耗高、自适应能力差等问题。相比之下,脉冲神经网络作为第三代神经网络,具有时间连续性、计算能耗低、快速处理、仿生性强等优点,与自动驾驶系统中双目深度估计和车辆转向预测任务的需求高度契合。因此,本文将基于脉冲神经网络,在现有研究工作的基础上,重点研究自动驾驶系统中的双目深度估计和车辆转向预测任务。本文的主要工作如下: (1)针对基于脉冲神经网络的Stereo＿Spike算法输出深度图存在的不适定区域边缘模糊、场景轮廓不明显以及局部细节丢失等问题,本文提出了具有语义约束的相关联层、参数融合的逐元素脉冲残差模块、基于脉冲形式的空洞空间池化金字塔模块以及边缘损失四点改进方案。实验结果表明,改进后的模型在能耗、深度估计准确性以及实时性方面均具有较好的表现。 (2)针对现有车辆转向预测模型能耗高和自适应能力差的问题,本文提出了一种基于脉冲神经网络的车辆转向预测模型。该模型使用参数漏积分点火模型作为网络中的脉冲神经元,以端对端的方式将事件相机输出的事件流映射到车辆转向角,并通过梯度替代法实现整个模型的参数更新。事件相机与脉冲神经网络的结合,使得该模型能够像人类驾驶员一样更加关注场景中的动态特征,从而提高其在不同环境和情况下的自适应能力。实验结果表明,该模型在能耗、自适应能力以及预测准确性方面均有较好的表现。 (3)本文使用LGSVL作为基础工具,设计并实现了一套基于人在回路的无人驾驶仿真系统。在研究内容(1)和研究内容(2)的基础上,构建了该系统中的自动驾驶系统模块,并通过基于人在回路的仿真测试模块进一步提升车辆转向预测模型在不同环境和情况下的自适应能力。同时,通过该系统进一步验证本文所提方法的有效性。

关键词： 脉冲神经网络   神经元的活跃程度   学习算法  

摘要： 近年来，被称为第三代神经网络的脉冲神经网络（SNN）以其能更好地模拟人脑以及在处理数据时表现出更强的计算能力和耗费更低的功耗的优势，引起了越来越多的研究和关注。但是由于其与生俱来的不连续性和复杂的非线性特征，从算法层面提高脉冲神经网络的性能是十分困难的，这已成为该研究领域的一个重要问题。目前，国内外学者从不同方面对SpikeProp算法、STDP算法以及基于迁移学习的脉冲神经网络算法等进行了分析和改进。然而这些现有的学习算法仅将神经元发射脉冲的时刻传递给突触后神经元，都忽略了神经元在受到刺激时内部存在的差异——神经元为释放脉冲付出的时间成本不同。　　基于上述发现，本文借鉴真实生物网络和脉冲神经网络中神经元激活时间成本的不同，提出了一个全新的概念——神经元活跃程度，并以此概念来提取神经元中被传统脉冲神经网络完全忽视的潜在区间信息。然后将神经元的活跃程度嵌入SpikeProp算法。该新算法不仅使突触前神经元能够向突触后神经元传递脉冲激发时刻携带的时间信息，而且能够传递神经元活跃程度挖掘的空间信息，丰富脉冲神经网络的信息学习内容。使用该算法的SNN被称为ADSNN。在ADSNN框架下，活跃度越大的神经元对与之相连的突触的改变量的影响越大。　　最后，为验证ADSNN的可行性，本文在五个基准数据集上进行了实验，并将五次十折交叉验证的平均实验结果与其他七种经典或流行的SNN算法或模型进行比较，包括SpikeProp、SWAT和TMM-SNN等。实验结果表明，ADSNN不仅能够提升SNN的分类精度，而且其稳定性和泛化能力也比其它模型更好。所以，将神经元的活跃程度引入脉冲神经网络是可行的，将有助于基于脉冲机制的神经网络提高其性能。

关键词： 神经形态计算   记忆晶体管   脉冲神经网络   感存算一体  

摘要： 由于当前人工智能领域算力需求的增长速度与计算机硬件规模增长速度的不匹配,传统计算机架构急需革命性的改变。其中,神经形态计算以生物神经网络为启发、新型神经形态器件为载体实现了包括人工神经元和人工突触电路的存算一体架构,为突破传统“冯·诺伊曼”架构提供了有效解决方案。本文基于层状超薄低维材料沟道的记忆晶体管,展开了其工艺与神经形态特性的研究;并利用底层记忆晶体管丰富多样的突触可塑性对顶层算法进行改进,实现了包括神经元、突触、权重更新电路的完整脉冲神经网络（Spiking Neural Network,SNN）硬件架构的设计;进一步地,设计并制备了感光记忆晶体管,研究并测量了其光电特性,实现了感存算一体的SNN设计。主要的研究成果如下:首先,制备了以石墨烯为沟道、有机铁电材料PVDF为栅介质的场效应晶体管。利用低维材料石墨烯零带隙、双极性的特点和铁电栅介质的非易失极化特性,能将石墨烯沟道配置为可重构的空穴或电子传输占主导的两种不同模式。测量了两种模式下的突触可塑性:两种模式具有相反的突触可塑性且均展现出优异的线性度（α=1.3/-1.1）,超低的多次写操作离散度（2%）和5-bit的中间电导态数。设计了互补突触的结构,通过将两种模式下的晶体管并联形成互补突触,在完全省去监督学习电路的情况下以100μm2的突触面积紧凑有效地实现了SNN监督学习算法Re Su Me。完成了MNIST数据集的仿真任务,并实现了86%的识别准确率和每次操作8 p J的超低功耗。其次,设计了基于互补突触结构的多层SNN硬件架构,突破了单层SNN硬件架构不具备处理非线性问题能力的限制。完成了经典非线性问题XOR的仿真,验证了本文所设计的多层SNN硬件架构的可行性。接下来,在互补突触器件层面进行改进,把零带隙的石墨烯沟道替换为具有一定带隙且同时具有双极性的WSe2沟道,晶体管开关比从2提升到10～6。实验上制备了基于两个并联的WSe2铁电晶体管的互补突触。设计并测量了该互补突触的R-STDP突触特性,相比于单个器件的突触实现方案,基于互补突触的R-STDP特性的硬件实现所需的硬件电路更为简化。设计了基于R-STDP突触特性的SNN强化学习硬件实现方案。仿真了经典强化学习决策任务倒立摆问题,验证了利用互补突触器件实现SNN强化学习的可行性。最后,本工作进一步聚焦于感存算一体SNN的实现,设计并制备了光电记忆晶体管:1)为了提高器件感光效果,晶体管结构由顶栅改为背栅,并设计了分裂双栅的结构。2)以WSe2为沟道、Al2O3/Hf O2/Al2O3为浮栅介质,通过对两个栅施加反向的电压,使记忆晶体管具备光电二极管特性。利用光伏效应,WSe2分裂浮栅晶体管自发地产生光电流。通过控制Hf O2层储存的电荷量,WSe2分裂浮栅晶体管实现了非易失调节的光响应度。至此,成功实现了具备感知、计算和存储功能的光电探测器。进一步设计了基于WSe2分裂浮栅晶体管的像素单元电路结构,使像素单元具有基于事件驱动的神经形态视觉传感器的特性。在不同的外界光强下,测量了该像素单元产生光电流脉冲的情况,验证了其具有可调节的事件驱动特性。设计了基于该像素单元的感存算一体SNN,仿真了车道保持任务和动作识别任务,相比于传统帧率相机削减了97%的感知数据量并达到了20μs的超低时间分辨率。

关键词： 脉冲神经网络   张量分解   轻量化   张量环分解  

摘要： 脉冲神经网络(Spiking Neural Network,SNN)是一种受人脑结构和功能启发的机器学习算法,被称为第三代神经网络。目前,SNN在人工智能领域中的应用十分广泛,特别是在时空信息处理和节能计算方面表现出了巨大的潜力。然而,随着深度学习问题的日益复杂,SNN网络的参数数量也进一步增大。这导致SNN在硬件上运行占用的空间内存和时间成本极大。为了更高效地使用SNN,需要轻量化技术对SNN进行压缩。为此,本论文选择张量分解理论构建张量化SNN模型,分别对三类数据集进行分类实验,以验证其压缩性能。取得了如下的结果:第一、通过把四种基本张量分解方法(张量列、标准分解/平行因子、高阶主成分分析、张量环(Tensor Ring,TR))应用于SNN卷积层和全连接层,总结了张量化卷积层和全连接层分解的模式:卷积分解为多次卷积、全连接分解为多次张量缩并。在此基础上,理论分析表明,TR网络模型相对更优。同时,证明了张量化SNN的空间利用率和计算效率均高于原始网络。第二、通过在典型数据集上对四种张量化SNN实验,发现其均可以实现在对SNN参数量和计算量进行压缩的同时,准确率损失值不大。并且,卷积层上TR分解在同样的参数压缩率和计算量下,有更高的网络准确率;全连接层上在相同的准确率损失下,TR分解所需参数量也更少,网络参数压缩率更低,与张量化SNN的理论分析相符。第三、通过在静态、动态视觉和语音三种分类数据集上的实验发现,张量化SNN可以在网络压缩率在1%-2%、乘加计算量压缩5-10倍的情况下,保持准确率损失不超过5%,表明张量化SNN有轻量化效果显著、模型泛化能力高的特点。对比现有算法结果,张量化网络能在保证准确率损失在5%-8%以内时,网络压缩率进一步降低;在相同压缩率下,比现有大部分方法准确率损失更小。本研究表明,张量分解对于轻量化SNN是非常有效的,在分类任务上泛化能力强。同时,相对于现有的方法,它表现出了更强的性能优势,为SNN的轻量化提供了新的解决方案。本研究充分结合了张量分解和SNN,并总结了张量化网络模型的相关模式,从而为新的张量分解方法的应用和性能测试提供了支持和参考。