本发明专利技术涉及一种基于近似计算的可在线学习神经形态处理器，包括：通信子系统、训练子系统和推理子系统；所述通信子系统，用于构建分层路由架构的多脉冲核心神经形态处理器；所述训练子系统，用于采用在线学习方法，优化所述多脉冲核心神经形态处理器的权重及阈值参数；所述推理子系统，用于在线训练后或离线部署权重后的所述多脉冲核心神经形态处理器对编码后输入图像数据进行推理，生成所述多脉冲核心神经形态处理器的分类输出。本发明专利技术提出一种基于在线学习和近似计算的神经形态处理器架构，以实现处理器在精度、能效比与响应速度三者之间的高度权衡，实时、高效地处理动态和复杂的任务数据。

　　本专利技术涉及神经形态处理器设计，特别是涉及一种基于近似计算的可在线学习神经形态处理器。

　　1、基于脉冲神经网络(spiking neural network，简称snn)的神经形态处理器旨在通过仿生学原理和硬件设计来模拟大脑神经网络的功能，实现高效的计算和任务处理，特别是具备在线学习和事件驱动的特性。神经形态处理器是神经形态计算领域的重要研究方向，广泛应用如医疗影像处理、自动驾驶、智能监控系统和智慧交通领域。与传统的基于人工神经网络(artificial neural network)的电路不同，例如，卷积神经网络(cnn)使用连续的信号处理和固定的训练模型，这些方法在处理动态和稀疏数据时效率较低。同时由于基于cnn设计的硬件电路无法充分模拟大脑的生物特性和动态学习能力，基于cnn的电路依赖于离线训练，对于实时应用和资源有限的环境，其适应性和能效较差。

　　2、当前的数字脉冲神经形态处理器存在硬件资源开销高、神经元计算效率低、在线学习方法的局限性、芯片间通信灵活性低等关键问题，阻碍了它们在实际场景下落地应用。其中，脉冲神经元是神经形态芯片

　　1.一种基于近似计算的可在线学习神经形态处理器，其特征在于，包括：推理子系统、训练子系统和通信子系统；

　　2.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于，

　　3.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于，每个所述物理神经元包括：由多个近似计算单元构成的PE阵列、近似加法树和脉冲发放决策单元；所述近似计算单元内置有累加控制逻辑电路和至少一个近似加法器；所述近似加法树由多个近似加法器两两相加分级构成；

　　4.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征凯云官网在于，所述神经元模型包括神经元充

　　1.一种基于近似计算的可在线学习神经形态处理器，其特征在于，包括：推理子系统、训练子系统和通信子系统；

　　2.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于，

　　3.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于，每个所述物理神经元包括：由多个近似计算单元构成的pe阵列、近似加法树和脉冲发放决策单元；所述近似计算单元内置有累加控制逻辑电路和至少一个近似加法器；所述近似加法树由多个近似加法器两两相加分级构成；

　　4.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于，所述神经元模型包括神经元充电模型，所述神经元充电模型的数学模型为：

　　5.根据权利要求1所述的基于近似计算的可在线学习神经形态处理器，其特征在于...