论文部分内容阅读
随着人工神经网络的发展,人工神经网络在神经科学的研究中占据重要地位。近期神经科学最新研究成果表明,大脑中神经信息不仅仅是通过脉冲发放频率进行编码,还可以通过脉冲精确定位进行编码。基于脉冲精确定位编码的脉冲神经网络对处理大脑神经信号的问题,特别是处理复杂时空信息等问题,起着非常重要的作用。但由于其内在的不连续性和非线性机制的限制,使得构造高效的脉冲神经网络无监督学习算法非常困难。现有的脉冲神经网络学习算法很多都存在着一些问题,比如算法缺乏生物合理性,适应能力差及在实际应用中分类正确率偏低等。本文首先对脉冲神经网络无监督学习的梯度下降学习规则、脉冲序列学习规则以及突触可塑性Spike Timing Dependent Plasticity(STDP)规则进行了对比分析得到现有算法存在的缺点,在STDP规则的基础上,对突触权重的更新规则进行了改进,提出了一种新的脉冲神经网络无监督学习算法,新的算法生物合理性较强,而且在实际应用中分类正确率能得到提高。本文主要的研究工作包括如下几点: 1、在STDP的基础上,提出了一种新的脉冲神经网络无监督学习算法。该算法应用STDP构造多脉冲误差函数和对应的突触学习规则,并通过神经元的实际脉冲发放频率自适应调整学习率。在学习过程中,利用带移动时间窗口的STDP学习规则,同时STDP带移动时间窗口的所有正变化可以稳定突触强度的分布,并且能保持神经元突触的竞争性。 2、将基于STDP的脉冲神经网络无监督学习推广到多层前馈脉冲神经网络,提出一种新的基于STDP的竞争性与稳定性的多层前馈脉冲神经网络的无监督学习算法。该算法具体分析了STDP的稳定性与竞争性对神经元突触权重更新规则的影响,调整了神经元突触的一些重要参数,采用线性脉冲序列编码方法对MNIST数据集的数据进行编码,并分析了训练结果及隐含层神经元数目对分类正确度的影响。最后将该算法应用到MNIST数据集进行分类,验证该算法的求解能力。 3、本文提出的算法在基于Python的 Brian平台上得以实现,实验结果表明该算法采用的是具有更强生物合理性的突触神经元和网络结构,能在较大程度上缩小处理脉冲发放延迟,分类准确率也能得到较大提高。