1.一种基于脉冲神经元的自适应卷积自动编码方法，其特征在于，包括以下步骤：步骤1：自适应卷积脉冲编码包括依次连接的第一卷积层、批标准化、脉冲神经元，原始图像经过第一卷积层提取特征并批标准化得到特征图，然后根据预设定的编码时间窗口范围并输入至脉冲神经元发放脉冲得到各个预设定的编码时间窗口的原始图像脉冲编码序列；

步骤2：通过脉冲像素值映射解码方法对各个预设定的编码时间窗口的原始图像脉冲编码序列进行解码获得解码图像，比较编码时间窗口变化时解码图像与原始图像的相似度，自动找到自适应卷积脉冲编码处理不同数据集的最佳编码时间窗口，具体包括：(2.1) 根据各个预设定的编码时间窗口的原始图像脉冲编码序列，计算各神经元 的脉冲发放频率 ，其中 是编码时间窗口， 是各神经元在编码时间窗口 内发放脉冲的数量；

(2.2)  根据各神经元 的脉冲发放频率 ，映射为相对应的图像像素值，其中 是所有神经元的最大脉冲发放频率，进行解码获得

解码图像；

(2.3) 根据已经设置的编码时间窗口范围，依次计算各编码时间窗口下解码图像与原始图像的相似度，比较不同编码时间窗口的图像相似度大小，自动找到自适应卷积脉冲编码处理当前数据集的最佳编码时间窗口；

步骤3：基于步骤2确定的最佳编码时间窗口，重新将原始图像经过第一卷积层提取特征并批标准化得到特征图，然后根据最佳编码时间窗口并输入至脉冲神经元发放脉冲得到原始图像的脉冲编码序列，再输入至深度卷积解码网络进行图像重建获得重建图像，根据重建图像与原始图像的误差反传优化自适应卷积脉冲编码学习参数，完成自适应卷积脉冲编码预训练过程。

2.根据权利要求1所述基于脉冲神经元的自适应卷积自动编码方法，其特征在于，步骤

1中，原始图像经过第一卷积层提取特征并批标准化得到特征图，具体包括：

(1.1) 对原始图像进行预处理；

(1.2) 将预处理后的原始图像输入至第一卷积层，提取特征，再进行数据批标准化，得到预处理后的原始图像的特征图。

3.根据权利要求2所述基于脉冲神经元的自适应卷积自动编码方法，其特征在于，步骤

1中，根据预设定的编码时间窗口范围并输入至脉冲神经元发放脉冲得到各个预设定的编码时间窗口的原始图像脉冲编码序列，具体包括：(1.3) 将步骤(1.2)得到的预处理后的原始图像的特征图作为电信号输入至脉冲神经元，模拟视网膜捕获外部信息产生动作电位，根据预设定的编码时间窗口范围生成各个预设定的编码时间窗口的原始图像脉冲编码序列。

4.根据权利要求3所述基于脉冲神经元的自适应卷积自动编码方法，其特征在于，步骤(1.3)中，所述脉冲神经元模型为泄露整合发放模型，其动力学方程为：；

；

；

其中， 是神经元在 时刻的膜电压， 是神经元在 时刻的外部输入电流，是膜时间衰减常数， 分别是神经元的膜电阻和膜电容， 是第 个输入神经元的突触权重， 是第 个输入神经元在 积分时间窗内的第 个突触前脉冲的到达时间， 是描述突触电流时间衰减效应的核函数， 是归一化因子，使核函数最大值为

1， 是突触电流时间衰减常数， 是Heaviside阶跃函数，即只计算在 时刻前输入的脉冲对突触后电流的影响。

5.根据权利要求1所述基于脉冲神经元的自适应卷积自动编码方法，其特征在于，步骤

3中，将原始图像的脉冲编码序列输入至深度卷积解码网络进行图像重建获得重建图像，具体包括：(3.1) 深度卷积解码网络的网络结构包含5个 块和1个输出卷积层，第一层至第五层为 块，第六层为输出卷积层，每个 块均由2个卷积层组成，每个 块中的2个卷积层依次采用128个1×1的滤波器，步长为1和32个3×3的滤波器，步长为1；

(3.2) 深度卷积解码网络输入为所述原始图像的脉冲编码序列batch× ×width×height的二值脉冲矩阵，其中batch是一次输入至深度卷积解码网络的批数量， 是第一卷积层的输出通道数，width、height分别是所述原始图像的宽度和高度；

第一层是一个 块，网络输入先依次执行一轮批标准化、ReLU激活函数和卷积操作，再重复一轮上述操作，输出batch×32×width×height的实值矩阵，然后将该层输出与当前层输入进行拼接，生成batch×( +32)×width×height的实值矩阵，作为下一层的输入；

(3.3) 第二层至第五层，每层依次执行一个 块操作，第二层的输出为batch×(+64)×width×height的实值矩阵，第三层的输出为batch×( +96)×width×height的实值矩阵，第四层的输出为batch×( +128)×width×height的实值矩阵，第五层的输出为batch×32×width×height的实值矩阵；

(3.4) 第六层是输出卷积层，采用 个3×3的滤波器，步长为1，其中 是所述原始图像的通道数，输入为所述第五层输出的batch×32×width×height的实值矩阵，输出为batch× ×width×height的实值矩阵；

(3.5) 最后所述第六层输出的batch× ×width×height实值矩阵经过一次Tanh激活函数，生成batch× ×width×height的实值矩阵，即重建图像。