脉冲神经网络 计算机科学,基于卷积计算的多层脉冲神经网络的监督学习 - 计算机工程与科学.PDF...

最新推荐文章于 2022-05-13 12:19:14 发布
最新推荐文章于 2022-05-13 12:19:14 发布
阅读量109 收藏
点赞数
文章标签： 脉冲神经网络 计算机科学

基于卷积计算的多层脉冲神经网络的监督学习 - 计算机工程与科学

计算机工程与科学 第 卷第 期 年 月

文章编号

基于卷积计算的多层脉冲神经网络的监督学习

张玉平蔺想红

西北师范大学计算机科学与工程学院甘肃 兰州

摘 要针对脉冲神经元基于精确定时的多脉冲编码信息的特点提出了一种基于卷积计算的多层脉

冲神经网络监督学习的新算法该算法应用核函数的卷积计算将离散的脉冲序列转换为连续函数在多

层前馈脉冲神经网络结构中使用梯度下降的方法得到基于核函数卷积表示的学习规则并用来调整神经

元连接的突触权值在实验部分首先验证了该算法学习脉冲序列的效果然后应用该算法对 数据集

进行分类结果显示该算法能够实现脉冲序列复杂时空模式的学习对非线性模式分类问题具有较高的

分类正确率

关键词脉冲神经网络监督学习卷积计算梯度下降

中图分类号 文献标志码

耀答案
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多层卷积脉冲神经网络.pdf
07-27
Spiking neural networks (SNNs) have advantages over traditional, non-spiking networks with respect to bio- realism, potential for low-power hardware implementations, and theoretical computing power. However, in practice, spiking net- works with multi-layer learning have proven difficult to train. This paper explores a novel, bio-inspired spiking convolutional neural network (CNN) that is trained in a greedy, layer-wise fashion. The spiking CNN consists of a convolutional/pooling layer followed by a feature discovery layer, both of which undergo bio-inspired learning. Kernels for the convolutional layer are trained using a sparse, spiking auto-encoder representing primary visual features. The feature discovery layer uses a probabilistic spike-timing-dependent plasticity (STDP) learning rule. This layer represents complex visual features using WTA- thresholded, leaky, integrate-and-fire (LIF) neurons. The new model is evaluated on the MNIST digit dataset using clean and noisy images. Intermediate results show that the convolutional layer is stack-admissible, enabling it to support a multi-layer learning architecture. The recognition performance for clean images is above 98%. This performance is accounted for by the independent and informative visual features extracted in a hierarchy of convolutional and feature discovery layers. The performance loss for recognizing the noisy images is in the range 0.1% to 8.5%. This level of performance loss indicates that the network is robust to additive noise
脉冲神经网络原理及应用pdf_脉冲神经网络（SNN）概述
weixin_39725365的博客
11-24 3009
关注微信公众号：人工智能前沿讲习重磅干货，第一时间送达主要讨论脉冲神经网络的拓扑结构、信息的脉冲序列编码方法、脉冲神经网络的学习算法和进化方法等。一、脉冲神经网络的拓扑结构同传统的人工神经网络一样，脉冲神经网络同样分为三种拓扑结构。它们分别是前馈型脉冲神经网络（feed-forward spiking neural network）、递归型脉冲神经网络（recurrent spiking neur...
脉冲神经网络学习笔记（综述）
sadfassd的博客
11-26 3万+
脉冲神经网络学习笔记，是综述性质的学习笔记
脉冲神经网络（Spiking Neural Network，SNN）概述
热门推荐
h__ang的博客
05-24 3万+
主要讨论脉冲神经网络的拓扑结构、信息的脉冲序列编码方法、脉冲神经网络的学习算法和进化方法等。 一. 脉冲神经网络的拓扑结构 同传统的人工神经网络一样，脉冲神经网络同样分为三种拓扑结构。它们分别是前馈型脉冲神经网络（feed-forward spiking neural network）、递归型脉冲神经网络（recurrent spiking neural network）和混合型脉冲神经网络（hy...
脉冲神经网络的五脏六腑
u011853479的专栏
03-11 2万+
脉冲神经元模型传统的人工神经元模型主要包含两个功能，一是对前一层神经元传递的信号计算加权和，二是采用一个非线性激活函数输出信号。 前者用于模仿生物神经元之间传递信息的方式，后者用来提高神经网络的非线性计算能力。相比于人工神经元，脉冲神经元则从神经科学的角度出发，对真实的生物神经元进行建模。Hodgkin-Huxley（ HH）模型HH模型是一组描述神经元细胞膜的电生理现象的非线性微分方程，直接反映了
基于卷积计算的多层脉冲神经网络的监督学习.pdf
09-27
【基于卷积计算的多层脉冲神经网络的监督学习】是深度学习领域的一个研究，主要探讨了如何利用卷积计算来改进多层脉冲神经网络（Spiking Neural Networks, SNNs）的监督学习过程。脉冲神经网络是一种模仿生物神经...
人工智能-基于脉冲耦合神经网络的目标轮廓特征整合模型.pdf
06-29
### 人工智能：基于脉冲耦合神经网络的目标轮廓特征整合模型 #### 一、研究背景与意义 在人工智能领域，特别是在计算机视觉技术中，目标检测是一项至关重要的任务。这项技术涉及识别图像或视频中的特定对象，并对...
基于多层忆阻脉冲神经网络的强化学习及应用.pdf
09-25
《基于多层忆阻脉冲神经网络的强化学习及应用》这篇文章主要探讨了如何利用多层忆阻脉冲神经网络（Memristive Spiking Neural Network, MSNN）增强强化学习的性能和效率。忆阻器作为人工突触的理想实现元件，为解决...
基于卷积脉冲神经网络的图像分类算法仿真.pdf
09-25
在该方法中，作者提出了一个基于卷积深度神经网络的多层架构，以脉冲神经元为独立计算单元，并使用非监督学习方式对目标图像进行分类。 该方法的优点在于，通过使用脉冲神经元和非监督学习方式，实现了神经元数目和...
基于脉冲序列核的脉冲神经元监督学习算法
04-06
脉冲神经元应用脉冲时间编码神经信息， 监督学习的目标是对于给定的突触输入产生任意的期望脉冲.序列． 但由于神经元脉冲发放过程的不连续性， 构建高效的脉冲神经元监督学习算法非常困难， 同时也是该研究领域.的重要问题． 基于脉冲序列的核函数定义， 提出了一种新的脉冲神经元监督学习算法， 特点是应用脉冲序列核构造多.脉冲误差函数和对应的突触学习规则， 并通过神经元的实际脉冲发放频率自适应地调整学习率． 将该算法用于脉冲序.列的学习任务， 期望脉冲序列采用 Poisson 过程或线性方法编码， 并分析了不同的核函数对算法学习性能的影响． 实验.结果表明该算法具有较高的学习精度和良好的适应能力， 在处理复杂的时空脉冲模式学习问题时十分有效．
前沿 | 历时十二年！曼彻斯特百万级神经元的类脑超算终开启
人工智能学家
11-06 288
具有百万处理器内核的「脉冲神经网络架构」或 SpiNNaker，每秒能完成约 200 兆次运算。来源：机器之心摘要：这台世界最大的神经形态超级计算机由曼彻斯特大学计算机科...
【脉冲神经网络SNN学习】
black_buaa的博客
10-24 2810
脉冲神经网络SNN学习 由于事件相机原理的异步性，同样时空性的脉冲神经网络可能更适合基于事件相机的一系列处理。 本人对神经网络了解的较少，此博客仅作为自己学习记录所用。 目前常用的CNN、RNN等神经网络是第二代神经网络，而脉冲神经网络SNN属于第三代神经网络模型，为了减小神经科学与机器学习之间的差距，SNN使用最拟合生物神经元机制的模型来计算。 脉冲神经网络的优点： 脉冲训练增强处理时空数据的能力。空间指神经元仅与附近的神经元连接，这样它们可以分别处理输入块（类似于 CNN 使用滤波器）。时间指脉冲训练
脉冲神经网络_脉冲神经网络详解（SNN）
weixin_39723102的博客
12-06 8473
“强基固本，行稳致远”，科学研究离不开理论基础，人工智能学科更是需要数学、物理、神经科学等基础学科提供有力支撑，为了紧扣时代脉搏，我们推出“强基固本”专栏，讲解AI领域的基础知识，为你的科研学习提供助力，夯实理论基础，提升原始创新能力，敬请关注。作者：初识CV地址：https://www.zhihu.com/people/AI_team-WSF本文大部分内容来自：脉冲神经网络的五脏六腑，...
脉冲神经网络之Tempotron简介（一）
Yan飞翔
11-01 1万+
脉冲神经网络之Tempotron简介（一） 原创 2017年10月15日 22:45:07 标签：神经网络 /脉冲神经网络 /图像分类 34 脉冲神经网络之Tempotron简介        脉冲神经网络（SNN）这个概念在上个世纪就被提出，现在也不算什么新的模型。但它和传统BP神经网络还是很不一样的，最近加入的实验室做的就是这个方向，因此一
多层神经网络
xuechanba的博客
05-13 6943
为了解决线性不可分的问题，可以在输入层和输出层之间增加隐含层。 隐含层和输出层一样，也是具有计算能力的功能神经元。这种增加了隐含层的神经网络就被称为多层神经网络。 在前面说过，与或非运算的结果都是线性可分的。可以通过下图第四个小图所示的感知机来实现。 给出合适的权值向量 W ，就可以实现与运算、或运算、非运算。 而异或运算 则是非线性可分的。至少需要两条直线采可以将其分开。 为了实现对异或结果的分类，可以构建如下图所示的含有隐藏层的神经网络。 它其实是由 这样的两个感知机组合在一起构成的神经网络。
SNN介绍-来自脉冲神经网络原理
lcsfdp的专栏
03-17 3664
snn介绍
kechengsheji2021.zip
07-30
kechengsheji2021.zip
1cfa8b474c28bb76433ab12fc99ee5ad.jpeg
最新发布
07-30
1cfa8b474c28bb76433ab12fc99ee5ad.jpeg
深度脉冲神经网络：生物启发与深度学习的结合
“深度脉冲神经网络 - 一篇关于深度脉冲神经网络的博士论文，详细介绍了这一领域的理论和应用，作者Qian Liu，于2018年在曼彻斯特大学计算机科学学院提交。” 深度脉冲神经网络（DEEPSPIKINGNEURALNETWORKS）是一种...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值