基于Spiking神經(jīng)網(wǎng)絡(luò)模式識(shí)別的研究.pdf

1、Spiking神經(jīng)網(wǎng)絡(luò)被稱為“第三代神經(jīng)網(wǎng)絡(luò)”，是神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的最新成果。相較于前兩代神經(jīng)網(wǎng)絡(luò)，其對(duì)于神經(jīng)元的模擬更加接近實(shí)際，具有更強(qiáng)大的計(jì)算能力，在機(jī)器學(xué)習(xí)、圖像處理和視覺信息處理等方面都具有廣泛的應(yīng)用。Spiking神經(jīng)網(wǎng)絡(luò)有較強(qiáng)非線性處理能力，并且其編碼機(jī)制和突觸學(xué)習(xí)機(jī)制等方面與前兩代神經(jīng)網(wǎng)絡(luò)都有明顯的差異，對(duì)于Spiking神經(jīng)網(wǎng)絡(luò)的研究是十分有意義的。近年來，模式識(shí)別在研究和應(yīng)用領(lǐng)域中的應(yīng)用越來越廣泛，并取得了優(yōu)異的效果

2、。將Spiking神經(jīng)網(wǎng)絡(luò)運(yùn)用到模式識(shí)別領(lǐng)域并運(yùn)用它解決一定的模式識(shí)別問題也是非常有意義的。
　　本文主要對(duì)Spiking神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行相應(yīng)的論述，對(duì)Spiking神經(jīng)網(wǎng)絡(luò)模型和Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行研究。本文結(jié)合Spiking神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，提出基于Spiking卷積的模式識(shí)別模型，并對(duì)現(xiàn)有學(xué)習(xí)算法進(jìn)行改進(jìn)，提出一種改進(jìn)的Tempotron學(xué)習(xí)算法。本文主要研究?jī)?nèi)容如下：
　　1.對(duì)生物神經(jīng)元的基

3、礎(chǔ)理論進(jìn)行了簡(jiǎn)單介紹，并在此基礎(chǔ)上介紹了Spiking
　　神經(jīng)網(wǎng)絡(luò)的基本理論，包括了Spiking神經(jīng)元模型、Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和神經(jīng)元編碼方法。
　　2.提出基于Spiking卷積的圖像邊緣特征編碼，本文將卷積神經(jīng)網(wǎng)絡(luò)和圖像
　　邊緣提取運(yùn)用到Spiking時(shí)間編碼，提出該編碼方案，用于對(duì)輸入信息進(jìn)行編碼。
　　3.提出了R-Tempotron學(xué)習(xí)算法，該算法針對(duì)Tempotron學(xué)習(xí)算法的不考慮

4、
　　噪聲的缺點(diǎn)進(jìn)行改進(jìn)，將噪聲閾值運(yùn)用到訓(xùn)練過程中，用于提高Tempotron算法的魯棒性。
　　4.在Spiking卷積編碼和R-Tempotron學(xué)習(xí)算法基礎(chǔ)上提出本文基于R-
　　Tempotron的Spiking卷積模式識(shí)別模型，并在MNIST數(shù)據(jù)集上進(jìn)行測(cè)試。實(shí)驗(yàn)成功地應(yīng)用 Spiking卷積對(duì)圖像邊緣特征提取，且提取的邊緣效果較好，
　　使得編碼后的Spiking神經(jīng)元能夠有效地區(qū)分不同的類別，同時(shí)