论文部分内容阅读
人工神经网络通过借鉴生物大脑的结构与工作方式存储和处理信息,大幅度提高了人工智能的技术水平。新兴的脉冲神经网络相比于传统神经网络,具有更加丰富的生物学特性和更强大的计算能力,为实现能够模拟、延伸和扩展人类智能的强人工智能带来可能。误差反向传播(Back-Propagation,BP)算法因具有高容错性、学习有效和计算能力强等优点而被广泛应用。但由于脉冲神经网络传递和处理的脉冲序列信号存在不连续和非线性特质,BP算法推导过程中要求神经元模型必须有解析表达式等原因,使得现有脉冲神经网络BP算法存在诸多问题,如:对多脉冲序列学习困难,只能选用特定的神经元模型和网络结构,难以再现和应用多样的生物学特性。针对以上问题,本文首次利用脉冲时间依赖可塑性(Spike Timing-Dependent Plasticity,STDP)机制改进脉冲神经网路BP算法,主要作了以下研究工作:(1)采用STDP机制改进BP算法。先基于神经元膜电位作测度量的误差函数和BP算法得到权值变化量公式;再根据链式法则,将权值变量公式中膜电位对权值的求导项分解为膜电位对时间求导项和权值对时间求导倒数项的乘积;然后将STDP函数作为权值对时间的求导结果,得到具有普适性和多脉冲序列学习能力的BP算法。(2)进行改进BP算法的单神经元学习仿真实验。采取输入添加噪声和改变直流激励两种形式扰乱神经元实际输出频率;分别研究与分析了无算法、改进BP算法和STDP机制调整神经元权值时,神经元输出频率相对于目标输出的变化。结果显示,改进BP算法调节权值后,能够使单个神经元的脉冲输出频率接近目标输出频率;在输入加噪声时比仅采用STDP机制调节的准确率提升了77.4%。(3)进行改进BP算法的神经网络学习仿真实验。构建了三层全连接形式的前馈神经网络模型,在噪声作用和不同强度直流激励两种情况下,分别研究与分析了无算法、改进BP算法和STDP机制调整网络权值时,各层神经元的放电情况。结果显示,改进BP算法调控的网络各层互相关指数达到最佳值,呈现出稳定的同步性放电。本文采用STDP融合BP训练的脉冲神经网络,表达出了突触可塑性、共振和同步性放电等生物学特性,这是以往BP算法训练的网络所没有的,为人工智能从生物学角度解决准确分类和调控系统稳定运行等问题提供了新思路。