文献阅读
一种轻量级的时空脉冲神经网络,基于时空脉冲压缩特征
dio:https://doi.org/10.1016/j.neucom.2020.10.100
摘要:
降低计算复杂度,对于SNN分类问题,依然是一个挑战。这篇文章提出一种有效的时空压缩脉冲特征,提出了一种轻量级的SNN框架,包含特征提取,我们的实验基于主流的数据集MNIST,SNN有潜力成为应用低能耗,或者资源有限边界计算系统和。。。
关键词:神经态计算,尖峰网络,SNN,
正文:
介绍
因为脉冲刺激在时域中是稀疏的,在网络中的神经元总是并行运算的,当脉冲到达的时候,这使得SNN计算和能耗上是高效的、
因为降低运算资源的需要,节省计算能量,提高运算于都,其他的作者[13~17]提出了轻量级别的SNN,基于一个比较浅层的网络结构。
一个典型的轻量级SNN包含三个主要部分:输入代码,特征学习和分类,抽取最重要的特征,分类特征使用权重从学习到的训练过程。
普通的编码方式包括时间编码和速率编码。时间编码将每一个刺激都转为脉冲的精确延时,但是对噪声敏感。为什么对噪声敏感呢?有人提出了一个三维的神经元方块,
在特征提取方面,大多数广泛应用的特征提取手段是监督的时间学习法则,和无监督的时空依赖可塑性法则。提出时空压缩脉冲特征是由压缩感知理论所启发的。[24~27]另外,我们提出了多脉冲时空编码框架,免疫更多的噪声信息,相对于单脉冲时间编码。
我们提出了轻量级的SNN框架ÿ