脈沖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究及其應(yīng)用.pdf

1、為深入研究生物大腦處理信息以及學(xué)習(xí)的能力，研究者們提出了人工神經(jīng)網(wǎng)絡(luò)，用來模仿大腦信息表達(dá)以及處理的過程，而其中具有最高仿生性的是脈沖神經(jīng)網(wǎng)絡(luò)，它表達(dá)信息以及處理信息均是采用對(duì)時(shí)間編碼的方式。比起感知機(jī)等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，脈沖神經(jīng)網(wǎng)絡(luò)與生物大腦神經(jīng)元在信息處理機(jī)制方面更加接近。許多研究均表明，脈沖神經(jīng)網(wǎng)絡(luò)無論是在信息表達(dá)能力還是計(jì)算能力與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比都更勝一籌。因而它引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注和高度重視。目前，脈沖神經(jīng)網(wǎng)絡(luò)在人工智能等多

2、方面領(lǐng)域已經(jīng)有一些初步研究成果，但是遠(yuǎn)沒達(dá)到商用的程度，相對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)等它在實(shí)際應(yīng)用中還是較少的。首先是因?yàn)闀r(shí)間先后因素，研究相對(duì)并不是那么深入，也還沒有普及；再者，雖然脈沖神經(jīng)網(wǎng)絡(luò)被證實(shí)是與生物神經(jīng)系統(tǒng)最接近的網(wǎng)絡(luò)，但是其生物大腦神經(jīng)系統(tǒng)的學(xué)習(xí)機(jī)制尚不清晰，對(duì)網(wǎng)絡(luò)中神經(jīng)元學(xué)習(xí)訓(xùn)練過程的研究也不成熟，因此，學(xué)習(xí)方法的研究目前仍然是一個(gè)值得研究的問題。
　　為了充分運(yùn)用脈沖神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，高度仿生性、較強(qiáng)的信息表達(dá)能力以及計(jì)算能力

3、，本文對(duì)脈沖神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法進(jìn)行了深入的研究。目前已經(jīng)存在一些監(jiān)督學(xué)習(xí)算法，但是學(xué)習(xí)效率或者是適用性等方面還是不夠好，為了提高脈沖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率、精確度以及能夠適應(yīng)更加復(fù)雜的問題，本文結(jié)合
　　ReSuMe算法、SpikeProp算法等經(jīng)典算法或者規(guī)則，對(duì)多層網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法進(jìn)行了優(yōu)化以及創(chuàng)新，并且對(duì)算法進(jìn)行了仿真和實(shí)驗(yàn)。本論文工作內(nèi)容如下：
　　1)首先分析了目前存在的一些監(jiān)督學(xué)習(xí)算法性能、精確度等方面的優(yōu)缺點(diǎn)，比

4、如SpikeProp算法、ReSuMe算法等。
　　2)提出一種多脈沖多層的神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法。該算法是結(jié)合ReSuMe算法，對(duì)目前存在的多層算法進(jìn)行優(yōu)化和創(chuàng)新，最后對(duì)算法進(jìn)行了仿真。
　　3)在此基礎(chǔ)上，提出了基于延遲的神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法。該算法使得神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程不再單單只是局限于突觸權(quán)重的調(diào)整，對(duì)原有的算法進(jìn)行了擴(kuò)展與創(chuàng)新，最后對(duì)算法進(jìn)行了仿真。
　　4)最后將此算法成功應(yīng)用到XOR邏輯異或、Iris數(shù)據(jù)集分