1、《The tempotron : a neuron that learns spike timing based decisions》

目录

 

1、神经元工作的基本方式（神经元的基本模型）：

2、构建简单的SNN分类三大问题：

3、Tempotron监督学习算法——原理：

4、训练脉冲神经网路的目标

5、神经元膜电位在一个时间窗口的变化

---

1、神经元工作的基本方式（神经元的基本模型）：

       神经元接受前端神经元突触脉冲的输入，当电压达到阈值（V threshlod）的时候就会发射一个脉冲作为输出，此时会立刻关闭所有前端的突触，阻止脉冲的输入。神经元发射脉冲之后会回归到复位电位，并且会持续一段时间。之后才会继续接受前端输入的脉冲。

2、构建简单的SNN分类三大问题：

1. 编码：将数据样本编码为与时间相关的脉冲序列，也就是脉冲神经网络可以理解的脉冲序列。
2. 模型：构建好的神经元的模型。
3. 学习算法：确定好学习算法，对神经网络进行训练。文中使用的是：Tempotron监督学习算法.

编码方式：rate coding 和Temporal coding

学习方法：无监督学习STDP，有监督学习Tempotron 和Resume,Spikeprop

 

3、Tempotron监督学习算法——原理：

神经元的后突触膜电位（PSP）是所有与之相连的上一层神经元脉冲输入的加权和，数学公式：

                                           

式子解释：K表示的是Kernel,介于0-1之间的数值，表示在t时间下，ti时间点输入的脉冲的贡献。

ti是第i个脉冲输入的时间。

 

                           K（t-ti)=V0(exp[-(t-ti)/Tm)-exp[-(t-ti)/Ts])

  1、V0起到正则化的一个作用。

  2、Tm和Ts是控制真个K（t）图像大致形状的参数。

  3、当ti>t时，K是不存在（vanishing）的，因为不存在当前时间之后的脉冲值，当V（t）大于阈值时，就会发放脉冲，并且迅速回到复位电位，并且持续一段时间（不应期）。

 

4、训练脉冲神经网路的目标

目标就是：使得该神经网络的输出神经元对对应的样本输出对应的膜电位。

根据输出神经元是否发放正确的脉冲，调整与该输出神经元的上一层的连接权重，

              

公式解析：1、λ表示每次更新的幅度。

                  2、K是[0-1]之间的数值

5、神经元膜电位在一个时间窗口的变化

 

                      

 

上图是训练之后的输出神经元在一个时间窗口内的膜电位变化，

图中: 黑色的线条是符合脉冲输出的，被刺激

          灰色的线条是不符合脉冲输出的，被抑制。

 

---

参考：http://jacoxu.com/tempotron/

        https://blog.csdn.net/ly18846826264/article/details/105214150?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158618470219724839245497%2522%252C%2522scm%2522%253A%252220140713.130056874..%2522%257D&request_id=158618470219724839245497&biz_id=0&utm_source=distribute.pc_search_result.none-task-blog-all_SOOPENSEARCH-2