本发明属于微电子技术，尤其涉及一种脉冲耦合神经网络以及用于噪声图像分割的方法。
背景技术：
1、由于微电子科学技术的限制和目前大量的数据流的处理需求，使得科学家们急需寻求新的材料或者平台来提升数据传输和处理速率。光学平台以其高速率、高带宽、低延迟、低功耗等优点被广泛认为是一个很好的选择。最近，越来越多的学者开始研究基于光子神经元的神经网络架构和算法用于替代传统的神经元网络。内置饱和吸收区的垂直腔面发射激光器vcsel-sa作为一种光子神经元，受生物神经元的启发，可以解决各种非常规的信息处理和计算挑战。因此被广泛应用于光子神经形态计算和机器学习任务当中。
2、基于vcsel-sa的脉冲耦合神经网络是在传统的脉冲耦合神经网络(pcnn)的基础上进行改进而来的。由于pcnn模型的算法直接来源于对哺乳动物视觉特性的研究，因此非常适合图像处理，如图像分割、降噪和图像平滑等。与传统的多层神经网络不同，pcnn是一种不需要训练权重的单层自组织网络，由横向连接的脉冲耦合神经元的二维(2d)阵列组成。在本方案中网络的每个神经元节点与输入图像中的每个像素一一对应，将不同的像素值线性编码为不同的偏执电流注入到各个vcsel-sa中从而产生振荡脉冲，经过相邻神经元之间的耦合作用后将产生一系列脉冲时间序列。在pcnn中模型的参数对网络性能至关重要，若设置不当则会造成不良影响。
技术实现思路
1、针对上述问题，本发明提供一种脉冲耦合神经网络以及用于噪声图像分割的方法。
2、本发明的一种基于vcsel-sa的脉冲耦合神经网络，网络架构只有单一层，网络中的每个神经元皆是由具有相同固有参数的vcsel-sa的光子脉冲神经元组成。在耦合网络中，控制第i个vcsel-sa节点动力学的速率方程描述为：
3、
4、
5、其中，γ表示限制因子，v表示腔体积，τ表示载流子寿命，g表示微分增益/损失，λ表示激光器波长，下标a和s分别代表增益区和吸收区，下标i和j表示神经元的索引；n0表示透明载流子密度，c为光速，br为双分子复合项，β为自发辐射耦合因子，ηc为输出功率耦合系数，τph为光子寿命，h为普朗克常数，n是网络的大小；nph,i表示第i个神经元腔内的光子数；na,i和ns,i描述增益区和吸收区的载流子密度；增益区注入电流为ia,i，吸收区注入电流为is,i，设置为0ma；pi为第i个神经元的输出功率，在这里考虑了神经元i到j的耦合延迟τi,j，设置耦合延迟τi,j＝2ns；a(i,j)是邻接矩阵，如果j到i神经元之间有连接则a(i,j)＝1，否则a(i,j)＝0；di表示该神经元节点i的输入度，用于归一化节点i的输入，而kc为全局耦合强度。
6、本发明的一种基于vcsel-sa的脉冲耦合神经网络用于噪声图像分割的方法，对于具有一定噪声模式的图像，让每个神经元节点对应一个像素点；首先，不同的像素值被预编码为高于自脉冲阈值的偏置电流，并注入到相应的光子脉冲神经元的增益区域；由于所有的神经元都偏置在自脉冲阈值之上，因此会周期触发脉冲；与此同时，每个节点还将同时接收到其周围相邻节点的脉冲信号注入；经过相互耦合作用后，各个神经元节点将会产生一系列脉冲时间序列，记录输出脉冲t1，t2，t3···tn；最后选取所有节点的固定脉冲时刻作为计算结果，就得到经过网络处理后的图像。
7、本发明的有益技术效果为：
8、本发明应用了vcsel-sa的脉冲耦合动力学，提出一种新的光子神经网络架构用于噪声图像处理，在实现去噪的同时进行图像的颜色分割。与传统的脉冲耦合神经网络(pcnn)相比，本发明使用的神经元模型是基于vcsel-sa的光子脉冲神经元，光学平台具有更低延迟、更高速率、更大带宽等优势。与一般的光子神经网络相比，本发明是基于集体同步机制和同步控制，所提出的架构不需要繁琐的训练，只需一次输入进行迭代就能得到输出的结果，极大地简化了计算过程。
1.一种基于vcsel-sa的脉冲耦合神经网络，其特征在于，网络架构只有单一层，网络中的每个神经元皆是由具有相同固有参数的vcsel-sa的光子脉冲神经元组成；在耦合网络中，控制第i个vcsel-sa节点动力学的速率方程描述为：
2.根据权利要求1所述的一种基于vcsel-sa的脉冲耦合神经网络用于噪声图像分割的方法，其特征在于，对于具有一定噪声模式的图像，让每个神经元节点对应一个像素点；首先，不同的像素值被预编码为高于自脉冲阈值的偏置电流，并注入到相应的光子脉冲神经元的增益区域；由于所有的神经元都偏置在自脉冲阈值之上，因此会周期触发脉冲；与此同时，每个节点还将同时接收到其周围相邻节点的脉冲信号注入；经过相互耦合作用后，各个神经元节点将会产生一系列脉冲时间序列，记录输出脉冲t1，t2，t3···tn；最后选取所有节点的固定脉冲时刻作为计算结果，就得到经过网络处理后的图像。
