1.一种基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，包括以下步骤：

S1：采集图像数据集作为贝叶斯神经网络的输入数据，采集贝叶斯神经网络训练所得的权重参数和偏置参数，对贝叶斯神经网络浮点形式的输入数据、权重参数和偏置参数进行缩放；

S2：利用线性反馈移位寄存器和比较器构成前向转换电路，并通过前向转换电路分别将缩放后的浮点输入数据、浮点权重参数和浮点偏置参数转换为随机位流形式，得到输入数据位流、权重参数位流和偏置参数位流；

S3：根据输入数据位流、权重参数位流和偏置参数位流，搭建贝叶斯神经网络的随机计算神经元结构；

S4：计算贝叶斯神经网络中各个神经元节点的缩放比例，将贝叶斯神经网络同一层中各个神经元节点的最大缩放比例作为该层的公共缩放比例参数，并以随机计算的方式进行贝叶斯神经网络的前向推理；

S5：利用计数器构成的后向转换电路将前向推理得到的输出位流转换为浮点形式，并按输出层的公共缩放比例参数对其进行按比例放大，得到贝叶斯神经网络单次推理的输出结果；

S6：重复步骤S4‑S5，将输出结果取均值，并作为贝叶斯神经网络对图像数据集的分类结果，完成图像分类。

2.根据权利要求1所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述步骤S1中，贝叶斯神经网络的权重和偏置均为训练所得的网络参数，符合均值为μ且方差为σ的高斯分布，将权重的均值作为权重参数w，将偏置的均值作为偏置参数b；

所述步骤S1中，对贝叶斯神经网络的输入数据x、权重参数w和偏置参数b进行缩放的具体方法为：利用对应的缩放因子s分别对贝叶斯神经网络的输入数据x、权重参数w和偏置参数b进行按比例缩放，将其限制于随机计算的表示范围[‑1,1]内，得到缩放后的浮点输入数据xf、浮点权重参数wf和浮点偏置参数bf。

3.根据权利要求2所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述缩放后的浮点输入数据xf、浮点权重参数wf和浮点偏置参数bf的计算公式分别为：

缩放因子s的计算公式为：

其中，sx表示输入数据x的缩放因子，sw表示权重参数w的缩放因子，sb表示偏置参数b的缩放因子，m表示数据范围的左界限，n表示数据范围的右界限，log(·)表示对数运算。

4.根据权利要求1所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述步骤S3中，搭建贝叶斯神经网络的随机计算神经元的具体方法为：S31：将异或门电路和多路复用器作为随机计算神经元结构的内积运算单元，利用异或门电路对输入数据位流x′和权重参数位流w′进行乘积运算，并利用多路复用器对乘积运算结果进行累加，其输出的累加结果为按内积运算单元的缩放因子sdot缩小的位流；

S32：将多路复用器作为随机计算神经元结构的偏置加法单元，计算内积运算单元的输出位流y和偏置参数位流b'的共同缩放因子s′，以共同缩放因子s′重新缩放内积运算单元的输出位流y和偏置参数位流b'，并对其进行加法运算，得到偏置加法单元的输出位流和缩放因子sbias；

S33：基于线性有限状态机确定激活函数，将偏置加法单元的输出位流输入至激活函数，得到神经元结构的缩放比例sz和输出位流z，完成随机计算神经元结构的搭建。

5.根据权利要求4所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述步骤S31中，内积运算单元的缩放因子sdot的计算公式为：sdot＝N·sw·sx

其中，N表示内积运算单元的输入个数，sw表示权重参数w的缩放因子，sx表示输入数据x的缩放因子。

6.根据权利要求4所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述步骤S32中，偏置加法单元的缩放因子sbias的确定方法为：将内积运算单元的缩放因子sdot和偏置参数b的缩放因子sb的最大值作为共同缩放因子s′，共同缩放因子s′的计算公式为：

s'＝max{sdot,sb}

若sdot>sb，则计算偏置参数位流b'的重缩放因子sb′，并对偏置参数位流b'进行重新缩放；若sb>sdot，则计算内积运算单元的重缩放因子sdot′，并对内积运算单元输出位流y进行重新缩放，偏置参数位流b'的重缩放因子sb′和内积运算单元的重缩放因子sdot′的计算公式分别为：

偏置加法单元对重新缩放后的内积运算单元的输出位流y和偏置参数位流b'进行加法运算，因而偏置加法单元的缩放因子sbias的计算公式为：sbias＝2·s′。

7.根据权利要求4所述的基于随机计算贝叶斯神经网络误差注入的图像分类方法，其特征在于，所述步骤S33中，神经元结构的缩放比例sz等于偏置加法单元的缩放因子sbias，神经元结构的缩放比例sz的计算公式为：sz＝sbias。