基于突觸可塑性的液體狀態(tài)機優(yōu)化研究.pdf

1、脈沖神經網絡（spiking neural network, SNN）常被稱為第三代人工神經網絡，相比傳統神經網絡，脈沖神經網絡采用更符合生物網絡的脈沖神經元模型以及更復雜的突觸模型來進行信息的傳遞。脈沖神經元的使用使得網絡具有脈沖編碼的能力，而脈沖編碼被認為是人腦能夠快速處理復雜信息能力的基礎，因此相對傳統人工神經網絡的頻率編碼方式能夠提升網絡的信息處理能力。
　　液體狀態(tài)機模型（liquid state machine, LS

2、M）是一種特殊的脈沖神經網絡模型，它的網絡部分是遞歸連接，稱之為儲備池，采用類似網絡結構的模型也稱之為儲備池計算。儲備池賦予了液體狀態(tài)機實時計算的能力，因此模型不需要通過網絡狀態(tài)的收斂來得到輸出。脈沖神經網絡通過突觸進行連接的，突觸可塑性是指突觸的功能發(fā)生改變，通常是連接權值的改變。本文對液體狀態(tài)機模型和突觸可塑性進行了研究，實現了對液體狀態(tài)機模型的優(yōu)化。
　　突觸整合能力是脈沖神經網絡信息傳遞的基礎，它包括空間信息整合和時間信息

3、整合。本文基于突觸整合的原理，研究了提高液體狀態(tài)機在時間模式分類上的準確率。從空間整合的角度，應用放電時間依賴的突觸可塑性（spike-timing-dependent plasticity, STDP）來構建自組織的網絡，實驗表明該自組織網絡能夠有效提高網絡的表現。從時間整合的角度，本文研究了突觸整合參數對網絡性能的影響，結果表明對于簡單的時間模式分類來說，增大突觸整合參數能夠有效提升網絡的表現。
　　生物神經系統由80％的興奮