论文部分内容阅读
Spiking神经网络,也即脉冲神经网络,作为更接近生物神经网络的第三代人工神经网络,受到了众多科研工作者的关注。脉冲神经网络应用更具生物仿真性的Spiking神经元为基本处理单元,利用脉冲发放的时间信息来传递信息。因此,脉冲神经网络具有更强的生物仿真性和更强大的计算能力。Spiking神经网络编码机制、神经元模型、网络结构和监督学习算法是目前大多数从事Spiking神经网络的科研工作者的研究方向。本文在分析Spiking神经网络的基础上,着眼于Spiking神经网络与动态自适应模型的结合,提出适合动态脉冲神经网络的学习算法并探索其在模式识别中的应用,主要包括以下内容:(1)研究并提出了一种适合动态自适应模型的快速和精确的学习算法。动态自适应模型的网络结构包含两层神经元,编码层将实值特征编码成有时空特性的脉冲模式,输出层动态增加神经元用来进行分类。编码层选用的编码方法为高斯接受域和余弦机制的群编码。不同于脉冲次序的学习算法,本文提出的算法根据脉冲的精确时间来调整输入脉冲的初始突触权值变化,然后根据权值之间的相似性来动态增加或者更新神经元。(2)研究并提出了动态自适应简单多层分类模型。动态自适应简单多层分类模型是对两层动态脉冲神经网络的扩展,扩展后的结构为:编码层-隐藏层-输出层。其中,隐藏层为动态层,输出层为固定层。学习阶段可以分为两个部分,第一部分为参数学习,包括微调隐藏层神经元的权值和学习输出层神经元的权值;第二部分为结构学习,动态合并隐藏层神经元。(3)研究动态自适应模型在模式识别问题中的应用。首先选用标准的机器学习库中数据集验证模型的有效性,实验表示两层模型在时间效率和准确率上均比同类型的算法有优势,三层模型也达到比较理想的效果。最后探索模型在人脸识别中的应用,不仅充实动态自适应模型在模式识别问题中的应用,同时也为人脸识别问题带来一个新的研究方向。