网站大量收购独家精品文档,联系QQ:2885784924

多脉冲发放的Spiking神经网络.pdfVIP

  1. 1、本文档共7页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第26卷 第6期 应 用 科 学 学 报 Vo1.26 No.6 2008年 11月 JOURNALOFAPPLIEDSCIENCES-ElectronicsandInformationEngineering Nov.2008 文章编号:0255—8297(2008)06-0638-07 多脉冲发放的Spiking神经网络 方慧娟,王永骥 (华中科技大学 控制科学与工程系,湖北 武汉 430074) 摘 要:针对允许神经元发放多个脉冲的Spiking神经网络(SNN)的学习,提出采用更接近生物神经元的SRM模 型,更全面地考虑了神经元在发放脉冲后的状态变化 ,并采用BP学习算法调整神经元的不应期.通过对XOR问 题、IRIS数据集以及泊松脉冲序列的测试,表明这种多脉冲发放的SNN比单脉冲发放的SNN能够更有效地传递信 息,提高学习速度. 关键词:Spiking神经网络;多脉冲;SRM模型;不应期 中图分类号:TP183 文献标志码 :A SpikingNeuralNetworkswithNeuronsFiringMultipleSpikes FANGHui—juan, WANGYong-ji (DepartmentofControlScienceandEngineering,HuazhongUniversityofScienceandTechnology,Wuhan430074,China) Abstract:Amorebiologicallyplausiblespikingresponsemodel(SRM)ispresentedtocopewiththelearning problemofspikingneuralnetworks(SNN)inwhichneuronscanspikemultipletimes.Inconstructingthismodel, thedependenceofthepostsynapticpotentialuponthefiringtimesofthepostsynapticneuronisnotneglected.We derivean additionalerrorback-propagation learningruleforthecoefficientoftherefractorinessfunction.The algorithm hasbeentestedonclassificationtasksofXORproblem ,IRISdatasetandPoissonspiketrains.Theresults show thattheSRM basedSNNwithneuronsthatfiremuhiplespikescantransferinformationmoreefficientlyand speeduptrainingcomparedtoSNN withneuronsthatfireonlyonce. Keywords:Spikingneuralnetworks,multiplespikes,spikeresponsemodel,refractoriness 近些年来,Spiking神经网络 (SNN)的研究越来 Maass证明了SNN能够模拟任意的前向Sigmoid神 越受到人们的关注 J.与传统的人工神经 网络 经网络,从而可 以实现任意连续函数的逼近_4J,而 (ANN)模拟生物神经元的脉冲激发频率 (firing 理论研究也已表明,传递单个神经元脉冲序列时域 rate)不 同的是,Spiking神经 网络采用时间编码 信息的Spiking神经网络的计算能力要强于一般使 (temporalencoding)方法进行数据处理,直接利用神 用Sigmoid为激励函数的神经网络模型 J.相应地, 经元脉冲(spike)发放的时间信息作为模型的输入/ SNN学习算法和网络结构的研究也得到了一些成 输出,因而能更接

文档评论(0)

jingpinwedang + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档