脉冲神经网络

 

SNN模仿的脉冲具有不连续和非线性的特征，因此在构建对该神经网络的监督学习算法上比较困难。根据SNN实现的特征可以将监督学习的算法分为在线/离线、单脉冲/多脉冲、多层/单层的学习算法

 

如何用SNN去处理一个分类问题？第一步，我们要考虑如何将样本编码为和时间相关的脉冲序列，比如如何将图像中（255，255，255）这样的数据转换成脉冲神经网络可以理解的脉冲序列；第二步，如何构建一个神经元的模型，这个就是刚才说的那个基本模型；第三步，要求确定一个学习算法，从而对神经网络进行训练

既然输出神经元仅有输出1和不输出0两个状态，当应用于分类任务时如何输出多个类别？这里可以采用二进制编码的方式输出不同类别。以MNIST数据集为例，输出的类别一共有26种，如果用二进制编码，26个类别在16（2^4）和32(2^5)之间，因此可以采用5位二进制数表示26个类别，因此脉冲神经网络有5个输出节点，输出类如00000表示A ，而00001表示B，以此类推