Introduction:
神经元的信息编码过程:
突触动态接收上游神经元轴突传来的Spike 序列(基本量纲为电势) 并转为电流传到胞体(基本量纲为电流);胞体动态接收电流并最终发放异步 Spike 信号,与此同时产生不应期和电位重置。
生物可塑性学习规则:
- 赫伯学习(Hebb‘s law)和 脉 冲 时 序 依 赖 可 塑 性 ( Spike
Timing-Dependent Plasticity, STDP)
描述了突触权值随神经元活动状态改变的机制 ;
- 短时突触可塑性(Short-Term Plasticity, STP)
描述了一种突触内部的输入-输出稳态调控机制;
- 突触自组织传播(Self-organized Back Propagation, SBP)
描述了当前层的突触权重可塑性可以通过下一层权重反向传播 LTP 或者 LTD 得到;
- 目标传播(Target Propagation, TP)
描述了误差或者奖惩信息可以直接作为目标信息指导所有中间神经元的状态调整;
- 稳态调优
描述了局部的神经元状态达到纳什均衡,网络则会表现出一种特殊的稳定状态;
基于 Spike 的异步信息编码
- 基于简单均匀放电的 Spike 序列编码
尽可能无损的还原输入信息。
- 首个脉冲触发时间编码
适用于编码刺激轮廓如边缘特征,且每个神经元只能发放一个脉冲。
- 延迟相位编码
受到视网膜神经节细胞的信息处理启发,即刺激越强,延迟越短, 然而需要额外的相位对齐。
- 脉冲序列卷积学习编码
将模拟信号转为数字信号(适合语音、 EEG 脑电等), 通过对刺激信号进行反卷积,最小化编码和原始信息差异以实现最优编码,典型算法包括 Bens Spiker Algorithm(BSA), Hough Spiker Algorithm (HSA)等
- 泊松信息编码。
泊松编码通过长时序列的泊松分布来对特定的精确数值进行估计,且估计数值为泊松分布全时域的均值,因此理论上在有限时间内无法得到精确编码。
- 神经元动力学编码
通过对膜电位构建高阶动力学方程, 同时加入多隐变量的信息调制,可以通过时-空融合实现复杂膜电位的动态更新。
- 异步信息延时编码
一方面,突触的信息传递能效、信息迟滞时间等和所处的空间位置、分叉级数、上下游突触电导等相对静态的变量高度相关;另一方面, 延迟也与当前时刻的放电频率、放电概率动态相关。
- 脉冲神经元群体编码 。
对静态的变量高度相关;另一方面, 延迟也与当前时刻的放电频率、放电概率动态相关。
- 脉冲神经元群体编码 。