大腦具有驚人的計算能力,而且計算功耗非常低。在大腦的啟發(fā)下,人們先后構建了淺層人工神經(jīng)網(wǎng)絡和深度人工神經(jīng)網(wǎng)絡,這些網(wǎng)絡在模式識別上也表現(xiàn)出優(yōu)秀的性能。但是,盡管這些神經(jīng)網(wǎng)絡的靈感來源于大腦,但是其本質與實際的大腦模型卻相差甚遠。在信息的表達上,淺層或深層人工神經(jīng)網(wǎng)絡使用的是數(shù)值信息,而在真實的生物神經(jīng)網(wǎng)絡中使用的是脈沖(動作電位);在單個神經(jīng)元模型上,淺層或深層人工神經(jīng)網(wǎng)絡使用的是與時間無關的計算模型,而在真實的大腦網(wǎng)絡中使用的是脈沖神經(jīng)元模型,該模型對時間具有很強的依賴性;學習算法上,淺層或深層人工神經(jīng)網(wǎng)絡的基礎算法是反向傳播算法,而大腦的學習算法與一種無監(jiān)督學習機制STDP有很大關系。由于這些差異,使得淺層或深層人工神經(jīng)網(wǎng)絡的功耗和計算能力都遠不如大腦。因此越來越多的研究者對大腦的計算本質產(chǎn)生了興趣。要理解大腦的計算本質,我們需要關注兩點,一是生物合理性,二是對模式識別任務的良好性能。正是基于這樣的考慮,本文提出了一個用于圖像識別的脈沖神經(jīng)網(wǎng)絡,它不僅在神經(jīng)元模型、突觸模型、學習機制上具有很強的生物合理性,而且在圖像識別上也表現(xiàn)出了良好的性能。與有監(jiān)督系統(tǒng)不同,本文在學習算法上使用...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 課題研究背景和發(fā)展現(xiàn)狀
    1.2 課題研究意義
    1.3 本文主要內(nèi)容和創(chuàng)新點
    1.4 本文章節(jié)結構安排
第二章 神經(jīng)元模型研究
    2.1 傳統(tǒng)人工神經(jīng)元模型
        2.1.1 感知器單元
        2.1.2 線性單元
        2.1.3 可微閾值單元
    2.2 脈沖神經(jīng)元模型
        2.2.1 霍奇金–赫胥黎模型
        2.2.2 Leaky Integrate and Fire Model（LIF）
        2.2.3 Izhikevich Model
        2.2.4 Spike Response Model （SRM）
        2.2.5 Thorpe Model
        2.2.6 本論文采用的神經(jīng)元模型
    2.3 本章小結
第三章 神經(jīng)編碼
    3.1 引言
    3.2 頻率編碼
        3.2.1 頻率為脈沖計數(shù)（對時間的平均）
        3.2.2 頻率為脈沖密度（對運行次數(shù)平均）
        3.2.3 頻率為集群活動（對許多神經(jīng)元求平均）
    3.3 脈沖編碼
        3.3.1 Time-to-First-Spike
        3.3.2 相位
        3.3.3 相關性和同步性
    3.4 本章小結
第四章 STDP學習機制研究
    4.1 引言
    4.2 二脈沖STDP
    4.3 三脈沖STDP
    4.4 脈沖配對方案
    4.5 本章小結
第五章 網(wǎng)絡結構研究
    5.1 引言
    5.2 Hamming網(wǎng)絡
        5.2.1 Hamming網(wǎng)絡結構
        5.2.2 Hamming網(wǎng)絡側抑制過程
        5.2.3 Hamming網(wǎng)絡學習過程
    5.3 競爭性脈沖神經(jīng)網(wǎng)絡
    5.4 本論文所采用網(wǎng)絡
    5.5 本章小結
第六章 基于STDP的脈沖神經(jīng)網(wǎng)絡在數(shù)字識別中的應用
    6.1 MNIST數(shù)據(jù)庫介紹
    6.2 Brian脈沖神經(jīng)網(wǎng)絡仿真器介紹
    6.3 訓練、分配標簽和測試過程
        6.3.1 訓練過程
        6.3.2 分配標簽過程
        6.3.3 測試過程
    6.4 兩種分類方法的比較
    6.5 不同神經(jīng)元時識別結果對比
    6.6 本章小結
第七章 總結與展望
    7.1 總結
    7.2 展望
參考文獻
致謝
作者簡介

【部分圖文】：
–赫胥黎模型圖2.3 霍奇金-赫胥黎模型這個模型可以追溯到 1952 年兩個人的工作，一位是勞倫·勞埃德·霍奇金（AlanLloyd Hodgkin），另一位是安德魯·赫胥黎（Andrew Huxley），他們在烏賊的巨軸突上進行了實驗。鑒于他們對神經(jīng)科學的貢獻，兩人都獲得了 1....

|0order jiji ij f j tif firedu tw m else ，jiw 是突觸前神經(jīng)元 j的權值， f j 是神經(jīng)元 j的發(fā)放時間， i m 數(shù)，即調(diào)節(jié)因子。函數(shù) order j 代表神經(jīng)元 j發(fā)放脈沖的等級。比元i的所有突觸前神經(jīng)元....

一旦有一個神經(jīng)元競爭獲勝，該神經(jīng)元將會使其它神經(jīng)元不能發(fā)放脈沖。第二層興奮性神經(jīng)元與抑制性神經(jīng)元的連接是固定的，僅僅起到側抑制的作用，而不會進行訓練。圖5.3 一種基于 STDP 的脈沖神經(jīng)網(wǎng)絡結構圖[64]該網(wǎng)絡中神經(jīng)元模型采用漏型累積發(fā)放模型： rest e exc i ....

本文編號：3876209