- 博客(8)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 STDP时间窗口
在大脑皮层神经网络模型中对Hebbian、anti-Hebbian,Symmertric这３种不同学习窗口的抑制性脉冲时间依赖可塑性anti-Hebbian类型学习窗口能根据网络中神经元放电率的变化，自适应调节突触权值以维持神经元放电；Hebbian和Symmertric类型学习窗口对神经元放电的抑制作用较强，不利于皮层神经元的放电。...
2021-01-18 10:23:39
495
原创 忆阻尖峰神经网络中基于STDP的模式识别学习的必要条件
Necessary conditions for STDP-based pattern recognition learning in amemristive spiking neural network忆阻器：忆阻器，全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻具有电阻的量纲，但和电阻不同的是，忆阻的阻值是由流经它的电荷确定。因此，通过测定忆阻的阻值，便可知道流经它的电荷量，从而有记忆电荷的作用。与DNN相比，SNN以峰值的速率和时间对信息进行编码，从而可以提供更细
2021-01-18 08:10:47
1040
原创 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tαt^\alphatα区分为状态函数x(t)x(t)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)x(t)x(t)的函数。为了克服这个困难，Bohte等假设脉冲发时间tαt^\alphatα和状态x(t)x(t)x(t)在t=tαt=t^αt=tα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
2021-01-17 21:14:21
128
原创 Spike Timing–Dependent Plasticity: A Hebbian Learning Rule ///STDP时空依赖可塑性
关键词长期增强，长期抑郁，突触，记忆，反向传播动作电位摘要时空依赖可塑性(STDP)作为一种Hebbian突触学习规则，在从昆虫到人类的广泛物种的各种神经回路中得到了证明。 突触修饰依赖于突触前和突触后尖峰在几十毫秒的临界窗口内的顺序，具有深远的功能意义。 在过去的十年中，在理解STDP在兴奋性和抑制性突触的细胞机制以及神经元兴奋性和突触整合的相关变化方面取得了重大进展。 除了基本的不对称窗口外，最近的研究还揭示了STDP的几层复杂性，包括它对树突位置的依赖，复杂尖峰列诱导的突触修饰的非线性集成，以及
2021-01-17 21:04:18
1736
4
原创 Error-backpropagation in temporally encoded networks of spiking neurons 误差传播在时间编码的脉冲神经网络
摘要监督学习的规则：spikeprop，类似于传统的误差反向传播。根据这个理论，我们论证了脉冲神经元可生物可解释性，能够表现复杂的非线性分类能力，通过时间编码的方式，和速率编码的方式一样好。解决了经典的“异或”问题。所需要的神经元数量更少。此外，我们还发现，在脉冲网络中，只有当使用时间常数大于编码间隔的脉冲响应函数时，才能完成可靠的时间计算，正如理论考虑所预测的那样。介绍对于在短时间内的速率代码计算，它通常被相信：在生物神经系统中，大量脉冲神经元的反应被集合起来，来获取一个瞬间的平均放电率。误差反向
2021-01-17 09:48:27
372
原创 The tempotron: a neuron that learns spike timing–based decisions 事件驱动
摘要我们提出了一种新的，生物学上可行的监督突触学习规则，使神经元能够有效地学习广泛的决策规则，就是把信息嵌入在脉冲的时空结构中，而不是简单的平均脉冲发射频率。神经元可以实现的随机时空模式的分类数量是其突触数量的几倍。我们不再使用单神经元，而是使用多神经元。我们的工作证明了神经系统学习解码嵌入在脉冲同步分布模式中的信息的高能力。介绍解密编码原则，神经元所代表的和过程信息已经困扰了大脑科学研究者半个世纪。通常情况下，神经元表示信息通过特闷的平均脉冲发放率。然而，实际上，听觉、嗅觉、触觉，脉冲发生对
2021-01-15 21:20:44
470
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人