基于STDP的脉冲神经网络图像识别算法研究
发布时间：2023-12-29 18:39
大脑具有惊人的计算能力,而且计算功耗非常低。在大脑的启发下,人们先后构建了浅层人工神经网络和深度人工神经网络,这些网络在模式识别上也表现出优秀的性能。但是,尽管这些神经网络的灵感来源于大脑,但是其本质与实际的大脑模型却相差甚远。在信息的表达上,浅层或深层人工神经网络使用的是数值信息,而在真实的生物神经网络中使用的是脉冲(动作电位);在单个神经元模型上,浅层或深层人工神经网络使用的是与时间无关的计算模型,而在真实的大脑网络中使用的是脉冲神经元模型,该模型对时间具有很强的依赖性;学习算法上,浅层或深层人工神经网络的基础算法是反向传播算法,而大脑的学习算法与一种无监督学习机制STDP有很大关系。由于这些差异,使得浅层或深层人工神经网络的功耗和计算能力都远不如大脑。因此越来越多的研究者对大脑的计算本质产生了兴趣。要理解大脑的计算本质,我们需要关注两点,一是生物合理性,二是对模式识别任务的良好性能。正是基于这样的考虑,本文提出了一个用于图像识别的脉冲神经网络,它不仅在神经元模型、突触模型、学习机制上具有很强的生物合理性,而且在图像识别上也表现出了良好的性能。与有监督系统不同,本文在学习算法上使用...
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 课题研究背景和发展现状
1.2 课题研究意义
1.3 本文主要内容和创新点
1.4 本文章节结构安排
第二章 神经元模型研究
2.1 传统人工神经元模型
2.1.1 感知器单元
2.1.2 线性单元
2.1.3 可微阈值单元
2.2 脉冲神经元模型
2.2.1 霍奇金–赫胥黎模型
2.2.2 Leaky Integrate and Fire Model（LIF）
2.2.3 Izhikevich Model
2.2.4 Spike Response Model （SRM）
2.2.5 Thorpe Model
2.2.6 本论文采用的神经元模型
2.3 本章小结
第三章 神经编码
3.1 引言
3.2 频率编码
3.2.1 频率为脉冲计数（对时间的平均）
3.2.2 频率为脉冲密度（对运行次数平均）
3.2.3 频率为集群活动（对许多神经元求平均）
3.3 脉冲编码
3.3.1 Time-to-First-Spike
3.3.2 相位
3.3.3 相关性和同步性
3.4 本章小结
第四章 STDP学习机制研究
4.1 引言
4.2 二脉冲STDP
4.3 三脉冲STDP
4.4 脉冲配对方案
4.5 本章小结
第五章 网络结构研究
5.1 引言
5.2 Hamming网络
5.2.1 Hamming网络结构
5.2.2 Hamming网络侧抑制过程
5.2.3 Hamming网络学习过程
5.3 竞争性脉冲神经网络
5.4 本论文所采用网络
5.5 本章小结
第六章 基于STDP的脉冲神经网络在数字识别中的应用
6.1 MNIST数据库介绍
6.2 Brian脉冲神经网络仿真器介绍
6.3 训练、分配标签和测试过程
6.3.1 训练过程
6.3.2 分配标签过程
6.3.3 测试过程
6.4 两种分类方法的比较
6.5 不同神经元时识别结果对比
6.6 本章小结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
作者简介
【部分图文】：
–赫胥黎模型图2.3 霍奇金-赫胥黎模型这个模型可以追溯到 1952 年两个人的工作，一位是劳伦·劳埃德·霍奇金（AlanLloyd Hodgkin），另一位是安德鲁·赫胥黎（Andrew Huxley），他们在乌贼的巨轴突上进行了实验。鉴于他们对神经科学的贡献，两人都获得了 1....
|0order jiji ij f j tif firedu tw m else ，jiw 是突触前神经元 j的权值， f j 是神经元 j的发放时间， i m 数，即调节因子。函数 order j 代表神经元 j发放脉冲的等级。比元i的所有突触前神经元....
一旦有一个神经元竞争获胜，该神经元将会使其它神经元不能发放脉冲。第二层兴奋性神经元与抑制性神经元的连接是固定的，仅仅起到侧抑制的作用，而不会进行训练。图5.3 一种基于 STDP 的脉冲神经网络结构图[64]该网络中神经元模型采用漏型累积发放模型： rest e exc i ....
本文编号：3876209
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 课题研究背景和发展现状
1.2 课题研究意义
1.3 本文主要内容和创新点
1.4 本文章节结构安排
第二章 神经元模型研究
2.1 传统人工神经元模型
2.1.1 感知器单元
2.1.2 线性单元
2.1.3 可微阈值单元
2.2 脉冲神经元模型
2.2.1 霍奇金–赫胥黎模型
2.2.2 Leaky Integrate and Fire Model（LIF）
2.2.3 Izhikevich Model
2.2.4 Spike Response Model （SRM）
2.2.5 Thorpe Model
2.2.6 本论文采用的神经元模型
2.3 本章小结
第三章 神经编码
3.1 引言
3.2 频率编码
3.2.1 频率为脉冲计数（对时间的平均）
3.2.2 频率为脉冲密度（对运行次数平均）
3.2.3 频率为集群活动（对许多神经元求平均）
3.3 脉冲编码
3.3.1 Time-to-First-Spike
3.3.2 相位
3.3.3 相关性和同步性
3.4 本章小结
第四章 STDP学习机制研究
4.1 引言
4.2 二脉冲STDP
4.3 三脉冲STDP
4.4 脉冲配对方案
4.5 本章小结
第五章 网络结构研究
5.1 引言
5.2 Hamming网络
5.2.1 Hamming网络结构
5.2.2 Hamming网络侧抑制过程
5.2.3 Hamming网络学习过程
5.3 竞争性脉冲神经网络
5.4 本论文所采用网络
5.5 本章小结
第六章 基于STDP的脉冲神经网络在数字识别中的应用
6.1 MNIST数据库介绍
6.2 Brian脉冲神经网络仿真器介绍
6.3 训练、分配标签和测试过程
6.3.1 训练过程
6.3.2 分配标签过程
6.3.3 测试过程
6.4 两种分类方法的比较
6.5 不同神经元时识别结果对比
6.6 本章小结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
作者简介
【部分图文】：
–赫胥黎模型图2.3 霍奇金-赫胥黎模型这个模型可以追溯到 1952 年两个人的工作，一位是劳伦·劳埃德·霍奇金（AlanLloyd Hodgkin），另一位是安德鲁·赫胥黎（Andrew Huxley），他们在乌贼的巨轴突上进行了实验。鉴于他们对神经科学的贡献，两人都获得了 1....
|0order jiji ij f j tif firedu tw m else ，jiw 是突触前神经元 j的权值， f j 是神经元 j的发放时间， i m 数，即调节因子。函数 order j 代表神经元 j发放脉冲的等级。比元i的所有突触前神经元....
一旦有一个神经元竞争获胜，该神经元将会使其它神经元不能发放脉冲。第二层兴奋性神经元与抑制性神经元的连接是固定的，仅仅起到侧抑制的作用，而不会进行训练。图5.3 一种基于 STDP 的脉冲神经网络结构图[64]该网络中神经元模型采用漏型累积发放模型： rest e exc i ....
本文编号：3876209
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3876209.html