深度學習在圖像識別、語音識別、自然語言處理等任務上均獲得了優(yōu)異的結果,但是深度學習利用連續(xù)的實值在神經元之間進行通信,且使用反向傳播算法學習權重,并不具有生物合理性,且能耗過高。而脈沖神經網絡模型則是受大腦啟發(fā),神經元之間使用脈沖通信,表現(xiàn)出了替代深度學習的潛力。然而,脈沖神經網絡的研究仍處于初級階段,性能上暫無法與深度學習相提并論,且缺乏較為成熟的編程框架。因此,本文探索了脈沖神經網絡的算法與實現(xiàn),提出了一種靈活高效的脈沖神經網絡實現(xiàn)方法,以及一種全新的針對語音識別任務的脈沖神經網絡模型。本文首先介紹了脈沖神經網絡的研究現(xiàn)狀、現(xiàn)有模型以及相關實驗。然后,對比并測評了脈沖神經網絡的不同編程框架,并提出了一種利用NumPy/PyCUDA實現(xiàn)脈沖神經網絡的新方法。最后,本文提出了一種卷積脈沖神經網絡模型,利用突觸可塑性作為學習規(guī)則完成語音識別的任務,并達到與傳統(tǒng)方法相當的性能。 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數】：69 頁

【學位級別】：碩士

【部分圖文】：

不同的神經編碼Fig.2-1Differentneuralcodingschemes

圖 2-2 使用 STDP 無監(jiān)督學習的淺層脈沖神經網絡結構Fig.2-2 Shallow spiking neural network unsupervisedly learned by STD用 400 個神經元，達到 90% 左右的準確率，如圖 2-3所示。，模型的準確率開始收斂到 90%。與此同時，權重的方差增

準確率收斂曲線


本文編號：2953103