TA的每日心情 | 开心
2020-9-2 15:04 |
|---|
签到天数: 3 天 [LV.2]偶尔看看I
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要： 脉冲神经网络是进行复杂时空信息处理的有效工具，但由于其内在的不连续和非线性机制，构建高效 的脉冲神经网络监督学习算法非常困难，同时也是该研究领域的重要问题．本文介绍了脉冲神经网络监督学习算法的 基本框架，以及性能评价原则，包括脉冲序列学习能力、离线与在线处理性能、学习规则的局部特性和对神经网络结构 的适用性．此外，对脉冲神经网络监督学习算法的梯度下降学习规则、突触可塑性学习规则和脉冲序列卷积学习规则 进行了详细的讨论，通过对比分析指出现有算法存在的优缺点，并展望了该领域未来的研究方向． 关键词： 脉冲神经网络；监督学习；反向传播；突触可塑性；卷积+ F; _, z- H9 y0 B, H9 F* I! R0 A% ^
) T8 K$ u6 r1 M+ Z/ v
2 V; i3 Z7 d* e" z& n* B
1 t8 y! N9 z- Q( b 人工神经网络是对生物神经系统结构和功能的抽 象和模拟，传统的人工神经网络应用生物神经元的脉冲 发放频率编码信息，神经元的输出一般表示为给定区间 的模拟量，学习算法对突触权值的调整主要依据神经元 输出的实数值，即脉冲发放的频率［１］．然而，由更具生物 真实性的脉冲神经元模型［２］为基本单元构成的脉冲神 经网络，应用脉冲序列表示与处理信息，这种编码方式 整合了信息的多个方面，如时间、空间、频率和相位 等［３］．脉冲神经网络与基于脉冲频率编码信息的传统人 工神经网络相比，拥有更强大的计算能力，可以模拟各 种神经信号和任意的连续函数，非常适合实现大脑神经 信号的处理问题，是进行复杂时空信息处理的有效工 具［４］% ]9 z9 Z' h! h* s; M% x, V. A
4 d% e0 Y8 j1 ^# F3 A8 N( M7 y! Y6 e% @8 g% g1 c
附件下载：
脉冲神经网络的监督学习算法研究综述.pdf
(684.26 KB, 下载次数: 0)
$ l/ C: G5 [5 g/ w: d |
|
/1 
发表于 2020-12-25 11:08
收藏
淘帖
支持！
反对！