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！

龙图腾网恭喜深圳技术大学申请的专利一种基于元残差的深度脉冲神经网络构建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：CN119026647B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202411126432.7，技术领域涉及：G06N3/049；该发明授权一种基于元残差的深度脉冲神经网络构建方法是由王俊松;吴建方设计研发完成，并于2024-08-16向国家知识产权局提交的专利申请。

本一种基于元残差的深度脉冲神经网络构建方法在说明书摘要公布了：本发明提供了一种基于元残差的深度脉冲神经网络构建方法，通过构建深度脉冲神经网络XOResNet，对图像进行编码和学习，有效提升了图像识别的准确率，并显著降低了脉冲冗余和学习冗余；XOResNet的创新之处在于引入了元残差的概念，通过特定的残差块设计，实现了对信息的高效提取和处理；本方法适用于多种图像处理场景，特别是在边缘计算设备中的视觉任务处理中表现优异；本发明为深度脉冲神经网络的构建与应用提供了一种稳定且高效的解决方案，具有广泛的应用前景。

本发明授权一种基于元残差的深度脉冲神经网络构建方法在权利要求书中公布了：1.一种基于元残差的深度脉冲神经网络构建方法，其特征在于，所述构建方法包括以下步骤：S1.主干分支元残差特征提取和选择：主干分支包含元残差的提取以及残差特征提取，具体步骤为：S101.获取残差块的输入数据，所述主干分支首先通过一个的卷积核和一个的卷积核并行对输入数据进行通道数减半的特征提取，其中的卷积核主要负责维度变换，保持输入输出特征的相似性；接着通过异或运算整合两个所述分支特征提取的所述输出特征，从中选择出需要学习的特征，以提供主干分支学习前的残差，避免冗余学习；所述特征产生真正的残差特征，提供学习前残差，所述残差为元残差；异或元残差特征的选择方法通过公式表达为： ；其中，表示异或元残差，表示异或运算，和分别表示两个特征提取分支；S102.使用尺度为的第三卷积层对所述元残差特征进行进一步提取，保持通道数不变，以获取更高层次的特征信息；S103.通过尺度为的第四卷积层对所述更高层次特征进行维度变化，将特征通道数扩大为残差块输入通道数的两倍，以适应后续网络结构的需求，得到主干分支的最终输出特征；S2.构建残差块的捷径连接：获取残差块的输入训练数据，判断所述主干分支输入输出特征图尺度并选择捷径连接分支映射方式，具体步骤包括：当所述主干分支输入输出的所述特征图尺度相同时，所述捷径连接分支实现恒等映射，通过或运算合并主干分支和捷径分支的输出脉冲，以维持脉冲的二值属性并降低脉冲冗余；当所述主干分支输入输出的所述特征图尺度不一致时，所述捷径分支实现维度变换，将所述主干分支和所述捷径分支的电流和作为脉冲神经元的输入电流，以避免信息损失；所述构建残差块的捷径连接通过公式表达为： ；其中，表示时刻第层的输入脉冲，表示主干分支的输出，表示脉冲神经元，将输入转化成[0,1]二值脉冲输出，表示非恒等映射捷径分支的输出电流，im表示恒等映射，nim表示非恒等映射，表示或运算；S3.构建异或元残差构建块，基于步骤S1和S2将主干分支和捷径分支组合，形成元残差构建块；S4.构建深度脉冲神经网络XOResNet:基于步骤S3中构建的所述异或元残差构建块块，搭建一个可变深度的脉冲神经网络框架XOResNet；所述脉冲神经网络框架XOResNet包括三个主要部分：输入层、中间编码层和输出层；其中，所述中间编码层由多个所述异或元残差构建块顺序堆叠而成，每个构建块负责进一步提取和加工输入特征；所述输入层通过卷积操作对输入数据进行初步处理，然后传递到由异或元残差构建块组成的编码层，通过逐层的残差学习和特征提取，将信息逐步压缩和转换，最终在输出层进行全连接操作，完成对输入数据的分类或识别任务；所述方法还包括基于所述异或元残差构建块进行不同类型的任务训练，包括但不限于图像分类、目标检测和语音识别。

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深圳技术大学，其通讯地址为：518000 广东省深圳市坪山区石井街道兰田路3002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”。