A remark on the error-backpropagation learning algorithm for spiking neural networks

关于尖峰神经网络的误差反向传播学习算法的一点评论✩

摘要

在用于脉冲神经网络的误差反向传播学习算法中，必须将触发时间$t^{\alpha }$区分为状态函数$x(t)$的函数。但是这种区分是不可能直接进行的，因为不能以标准形式将其表达为$x(t)$的函数。为了克服这个困难，Bohte等假设脉冲发时间$t^{\alpha }$和状态$x(t)$在$t=t^{\alpha }$附近存在线性关系。根据此假设，泛函的Frechet导数等于可以直接轻松计算的普通函数的导数。我们在此简短说明中所做的贡献是证明，在没有线性假设的帮助下，这种微分相等实际上在数学上是正确的。

脉冲感知器

为了简洁起见，让我们考虑一个尖峰神经网络的简单构建块，即具有n个突触前神经元和一个突触后神经元的前馈尖峰感知器。