论文部分内容阅读
Spiking神经网络（SNN）是第三代人工神经网络（ANN），它将输入信息编码成脉冲时间而不是脉冲平均发放率，处理方式更加先进，更加贴近生物神经元的特性，其独特的神经元模型和脉冲编码方式引起了国内外的高度重视。国内从2006年才开始研究 SNN，目前处于发展初期，它特有的模型和脉冲时间编码等优势，能够为信号分析提供重要的帮助和新的解决思路。 本论文主要研究基于SNN的信号分析的实现方法，提出了利用SNN对图像信号分析处理，实现图像分割的改进方法；提出了利用SNN和脉冲相似性度量分析处理语音信号，并实现语音识别的新方法。 首先，了解了SNN的特点和优势，学习并深入研究了该神经网络的理论基础，包括其独特的神经元模型，各种脉冲编码方法，学习规则，常用的网络结构等；利用MATLAB对Spiking神经元的动态发放特性和SNN的同步发放特性进行了仿真分析，使得对其的认识更为深刻。 其次，对图像信号进行分析处理，将基于SNN实现图像分割的三层网络结构简化成一层结构，同时提出结合图像分块和拼接来完成图像分割的整体实现过程；利用MATLAB实现了该改进方法，仿真分析了不同SNN因素对分割效果的影响，并与三层网络的结果进行比较，说明了该改进方法的优越性。 最后，对语音信号进行分析处理，提出利用SNN和脉冲相似性度量实现语音识别的新方法；主要模块是：将标准语音信号和待识别语音信号分别输入给SNN网络进行分析和处理，度量它们的输出脉冲序列的相似性，相似度最好的标准语音即为识别结果；利用MATLAB对该新方法的各个模块和整体过程进行了验证分析，实验结果证明了本论文新方法的可行性和优越性。 利用本论文提出的改进方法实现图像分割，使得网络结构更简单，所需的神经元更少，同时经计算证明了该方法能够降低计算复杂度和硬件资源消耗。利用本论文提出的新方法实现语音识别，其仿真实验的准确率可以达到80.5％，在其他方法70%识别率的基础上提高了10.5%。