1.基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，包括以下步骤：

S1、将所述贝叶斯神经网络的属性参数根据参数缩放因子进行缩放得到缩放属性参数，并将所述缩放属性参数转换为随机位流数据，其中，所述属性参数包括输入数据、权重参数和偏置参数，所述输入数据具体为待分类图像数据集中第一待分类图像数据；

S2、基于所述贝叶斯神经网络的网络结构确定参考多路选择器的输入个数；

S3、将所述参考多路选择器分解为多个中间多路选择器，并根据所述参考多路选择器的输入个数确定所述中间多路选择器的输入个数和数量；

S4、基于所述参数缩放因子、所述中间多路选择器的输入个数和数量确定内积运算单元的内积缩放因子，并根据所述随机位流数据、所述中间多路选择器确定所述内积运算单元的内积运算输出结果；

S5、基于所述内积缩放因子和所述参数缩放因子确定所述贝叶斯神经网络的输出比例因子，并根据所述内积运算输出结果和所述输出比例因子输出所述贝叶斯神经网络的最终输出结果从而完成第一待分类图像数据的图像分类；

S6、根据确定出所述中间多路选择器数量的所述贝叶斯神经网络对所述待分类图像数据集中其余待分类图像数据进行图像分类。

2.如权利要求1所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，所述参数缩放因子具体包括输入数据缩放因子、权重参数缩放因子和偏置参数缩放因子，所述缩放属性参数具体包括浮点输入数据、浮点权重参数和浮点偏置参数，所述随机位流数据包括输入数据位流、权重参数位流和偏置参数位流。

3.如权利要求2所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，所述步骤S2具体为先根据所述贝叶斯神经网络的网络结构确定所述贝叶斯神经网络各层中神经元的个数，所述参考多路选择器的输入个数为上一层中所述神经元的个数，其中，所述贝叶斯神经网络除输入层之外的网络各层中每一个所述神经元中均有一个所述参考多路选择器。

4.如权利要求2所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，在所述步骤S3中，所述中间多路选择器的数量小于所述参考多路选择器的输入个数，且所述参考多路选择器的输入个数除以所述中间多路选择器的数量的值为正整数并等于所述中间多路选择器的输入个数。

5.如权利要求2所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，在所述步骤S4中，将所述权重参数缩放因子、所述输入数据参数缩放因子、所述中间多路选择器的输入个数、所述中间多路选择器的数量四者相乘即为所述内积运算单元的内积缩放因子。

6.如权利要求2所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，所述步骤S5中确定所述贝叶斯神经网络的输出比例因子，具体包括以下分步骤：S51、将所述内积缩放因子和所述偏置参数缩放因子的最小公倍数作为共同缩放因子；

S52、根据所述共同缩放因子确定单个神经元的神经元缩放因子；

S53、确定出所述贝叶斯神经网络不同层所有神经元对应的所述神经元缩放因子；

S54、将所述贝叶斯神经网络不同层中最大的所述神经元缩放因子作为对应层的层缩放因子，并将所述贝叶斯神经网络最后一层的层缩放因子作为所述输出比例因子。

7.如权利要求6所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，所述步骤S5中的输出所述贝叶斯神经网络的最终输出结果，具体包括以下分步骤：S55、将所述内积运算输出结果和所述偏置参数位流输入到偏置加法单元中进行运算，确定出所述偏置加法单元的输出位流；

S56、将所述偏置加法单元的输出位流输入到激活函数中进行激活得到所述神经元的神经元输出结果；

S57、基于所述神经元输出结果和所述层缩放因子进行所述贝叶斯神经网络前向推理，从而得到所述贝叶斯神经网络的输出位流数据；

S58、将所述贝叶斯神经网络的输出位流数据通过计数器转换为浮点表示的浮点结果数据，并将所述浮点结果数据按所述输出比例因子进行放大作为所述最终输出结果。

8.如权利要求6所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，在步骤S51和步骤S52之间，还包括判断所述内积缩放因子与所述偏置参数缩放因子的大小，若所述内积缩放因子小于所述偏置参数缩放因子，则根据所述共同缩放因子更新所述内积缩放因子，并根据更新后的所述内积缩放因子对所述内积运算结果进行重新缩放，若所述内积缩放因子大于所述偏置参数缩放因子，则根据所述共同缩放因子更新所述偏置参数缩放因子，并根据更新后的所述偏置参数缩放因子对所述偏置参数位流进行重新缩放。

9.如权利要求1所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，所述步骤S4中的确定所述内积运算单元的内积运算输出结果，具体为将所述随机位流数据输入到所有中间多路选择器中，确定每一个中间多路选择器的输出结果，并通过累加多路选择器将所有中间多路选择器对应的输出结果进行累加得到内积运算输出结果，所述内积运算输出结果为按所述内积缩放因子缩小的位流。

10.如权利要求1所述的基于贝叶斯神经网络随机加法分解结构的图像分类方法，其特征在于，在所述步骤S5和所述步骤S6之间，还包括：A1、通过随机计算的方式进行预设次数的所述贝叶斯神经网络前向推理，并仿真获得随机计算得出的第一神经元输出值分布；

A2、通过浮点运算的方式进行预设次数的所述贝叶斯神经网络前向推理，并仿真获得由权重与偏置分布的随机采样值计算得出的第二神经元输出值分布；

A3、判断所述第二神经元输出值分布对应的第二预测准确率减去所述第一神经元输出值分布对应的第一预测准确率的差值是否小于预设阈值，若小于，则所述中间多路选择器的数量不变，若不小于，则依次增大或减小所述中间多路选择器的数量，直到所述第二预测准确率减去所述第一预测准确率的差值小于所述预设阈值。