基于突觸可塑性的液體狀態(tài)機(jī)優(yōu)化研究.pdf

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

2、M）是一種特殊的脈沖神經(jīng)網(wǎng)絡(luò)模型，它的網(wǎng)絡(luò)部分是遞歸連接，稱之為儲(chǔ)備池，采用類似網(wǎng)絡(luò)結(jié)構(gòu)的模型也稱之為儲(chǔ)備池計(jì)算。儲(chǔ)備池賦予了液體狀態(tài)機(jī)實(shí)時(shí)計(jì)算的能力，因此模型不需要通過網(wǎng)絡(luò)狀態(tài)的收斂來得到輸出。脈沖神經(jīng)網(wǎng)絡(luò)通過突觸進(jìn)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(quán)值的改變。本文對(duì)液體狀態(tài)機(jī)模型和突觸可塑性進(jìn)行了研究，實(shí)現(xiàn)了對(duì)液體狀態(tài)機(jī)模型的優(yōu)化。
　　突觸整合能力是脈沖神經(jīng)網(wǎng)絡(luò)信息傳遞的基礎(chǔ)，它包括空間信息整合和時(shí)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(jī)在時(shí)間模式分類上的準(zhǔn)確率。從空間整合的角度，應(yīng)用放電時(shí)間依賴的突觸可塑性（spike-timing-dependent plasticity, STDP）來構(gòu)建自組織的網(wǎng)絡(luò)，實(shí)驗(yàn)表明該自組織網(wǎng)絡(luò)能夠有效提高網(wǎng)絡(luò)的表現(xiàn)。從時(shí)間整合的角度，本文研究了突觸整合參數(shù)對(duì)網(wǎng)絡(luò)性能的影響，結(jié)果表明對(duì)于簡(jiǎn)單的時(shí)間模式分類來說，增大突觸整合參數(shù)能夠有效提升網(wǎng)絡(luò)的表現(xiàn)。
　　生物神經(jīng)系統(tǒng)由80％的興奮