基于非线性突触整合的树突脉冲神经网络监督学习算法研究.pdf

摘要

摘要

神经元作为人脑计算的基本单元，通过突触和树突进行离散动作电位或“脉

冲”的信息交换和递。突触是神经元存储和学习的基本单元，负责接收神经信

号，并通过树突调节或改变神经元对刺激的反应方式。由于脉冲的时间处理机制

使得稀疏而有效的信息能够有序地在神经元之间递。在这一复杂的过程中，突

触担任着接收神经信号的角色，然后通过树突对这些信息进行非线性整合和过滤，

使得神经元能够以更加灵活和高效的方式响应外部刺激。树突的结构和功能为神

经元内的信号递提供了一个高度复杂和动态的平台，允许神经元进行更为复杂

的信息处理。

尽管基于人脑“脉冲”模拟计算框架下的脉冲神经网络具有良好的生物可解

释性，但目前的大多数脉冲神经元模型忽略了神经元之间神经信号在树突播和

整合的过程，从而大幅削减了神经元的计算能力。因此，在脉冲神经网络的研究

中，精确地模拟单个神经元的树突计算是不可或缺的。为了解决这一问题，使得

脉冲神经网络能够在更为复杂的任务中表现出更好的性能。深入理解和模拟树突

在神经元内的信号处理机制，构建类似大脑结构的更加高效的计算模型——树突

神经元模型，并建立相应的学习算法，不仅可以增强对大脑信息处理机制的理解，

还推动了脉冲神经网络在各种应用领域中的发展。本论文主要工作包括以下三个

方面：

（1）考虑生物神经元树突对神经信息播的非线性整合机制，提出了一种树

突脉冲神经元模型及其监督学习算法。该模型引入了非线性突触模块和接受来自

多个突触信号的树突模块，连接了统神经元模型上的输入和输出神经元。树突

分支通过非线性整合来自突触的信号，并激发细胞体向下一层神经元发放信号。

提出了基于梯度下降的误差反向播算法，用于调整树突和突触的权值，以精确

调节脉冲信号的发放时间，从而获得最佳输出脉冲时间。通过时钟驱动的脉冲序

列学习任务验证了该方法的有效性，实验结果表明其提高了单个神经元的计算能

力。

（2）为提升复杂任务的学习能力，构建了一个多层的树突脉冲神经网络结

构。结合误差反馈对齐机制，提出了树突脉冲神经网络的监督学习算法，通过

设置随机的固定矩阵来更新网络权值，实现误差的反向播。该算法更符合生物

神经系统中反馈信息的调节。通过脉冲序列学习任务分析了迭代次数和树突数量

I

西北师范大学硕士学位论文

对学习精度的影响，结果表明树突脉冲神经网络的平均学习精度可以收敛到接近

于1的稳定状态。

（3）利用脉冲编码技术将医学数据编码为脉冲序列，提出了基于树突脉冲神

经网络的分类模型，并将其应用于医学数据集分类。通过人工智能技术评估患者

患病的风险，可以帮助医生完成诊断。在威斯康星州诊断性乳腺癌、皮马印第安

人糖尿病、帕金森病数据集上测试了所提出的模型，在不同类别脉冲发放时间的

差异中实现了分类。实验结果表明，本文提出的模型在这3个数据集分类中取得了

良好的效果，分别达到了98.6%，78.2%，89.57%的准确率。

关键词：非线性突触整合；树突计算；脉冲神经网络；监督学习算法；医学

数据集分类

II

目录

目录

第1章绪论··································································1

1.1研究背景与意义····················································