✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1脉冲编码与温度信号稀疏表示高速列车轴温传感器数据具有长时平稳、突发温升的特点传统RNN能耗高。提出一种脉冲神经网络采用基于阈值调制的脉冲编码层将连续温度值转换为脉冲序列。编码层包含多个具有不同阈值的IF神经元通过竞争机制只有最接近当前温度的神经元发放脉冲实现了稀疏表示。此外引入注意力调制机制根据车速和载荷动态调整神经元阈值使得在高速高载时编码更加敏感。在真实的动车组轴温数据上脉冲序列的平均发放率仅为5.2%大幅降低了后续处理的计算量。2漏整合发放层的时序依赖建模与剩余寿命预测将脉冲序列输入到漏整合发放层该层具有可训练的时间常数能够捕获不同时间尺度的温度变化趋势。通过堆叠多层LIF神经元并使用替代梯度训练实现了端到端的剩余寿命预测。预测目标为轴温超过报警阈值前的剩余时间分钟。与传统LSTM相比SNN在达到相同预测精度下能耗降低了约85%。在轴温预报任务中平均绝对误差为12.3分钟满足提前预警需求。3事件驱动推理与边缘部署为了将SNN部署在列车边缘计算设备上实现了事件驱动的推理引擎即只在有脉冲到达时才进行乘加运算空闲时待机。训练好的SNN权重经过8-bit量化后在FPGA上实现单次推理功耗仅0.3mJ。同时设计了基于脉冲发放率的异常检测辅助通道当连续时间窗口内脉冲发放率显著偏离基线时即使温度尚未达到阈值也发出预警成功捕获了两次早期轴承润滑不良导致的缓慢升温。在台架试验中事件驱动SNN比等效ANN快3.2倍且功耗更低。import torch import torch.nn as nn import torch.nn.functional as F import numpy as np class TemperatureEncoder(nn.Module): def __init__(self, num_neurons16, tau1.0): super().__init__() self.thresholds nn.Parameter(torch.linspace(20, 100, num_neurons)) self.tau tau def forward(self, temp_seq): # temp_seq: [B, T] B, T temp_seq.shape spikes [] v torch.zeros(B, self.thresholds.size(0), devicetemp_seq.device) for t in range(T): temp temp_seq[:, t].unsqueeze(1) v v (temp - self.thresholds.unsqueeze(0)) / self.tau spike (v 1.0).float() v v - spike * 1.0 spikes.append(spike) return torch.stack(spikes, dim1) # [B, T, N] class LIFLayer(nn.Module): def __init__(self, in_dim, out_dim, tau_m20.0, tau_s5.0): super().__init__() self.w nn.Parameter(torch.randn(out_dim, in_dim) * 0.1) self.tau_m tau_m self.tau_s tau_s def forward(self, spikes): # spikes: [B, T, in_dim] B, T, D_in spikes.shape v torch.zeros(B, self.w.size(0), devicespikes.device) outputs [] for t in range(T): i_in spikes[:, t] self.w.T v v * (1 - 1/self.tau_m) i_in / self.tau_m spike_out (v 1.0).float() v v - spike_out * 1.0 outputs.append(spike_out) return torch.stack(outputs, dim1) def surrogate_gradient(loss, output_spikes, alpha1.0): # 用sigmoid替代梯度 output_dense torch.sigmoid(alpha * output_spikes) return output_dense class SpikeNet(nn.Module): def __init__(self): super().__init__() self.encoder TemperatureEncoder() self.lif1 LIFLayer(16, 32) self.lif2 LIFLayer(32, 1) self.fc nn.Linear(1, 1) def forward(self, temp): spikes self.encoder(temp) spikes self.lif1(spikes) spikes self.lif2(spikes) # 取最后一个时间步的脉冲率 rate spikes.mean(dim1) pred self.fc(rate) return pred def event_drive_inference(model, temp_stream): # 模拟流式输入 state None for t in range(len(temp_stream)): spike model.encoder.step(temp_stream[t]) spike, state model.lif1.step(spike, state) spike, state model.lif2.step(spike, state) if spike.any(): # 触发预警 pass return如有问题可以直接沟通