一種融合多種可塑性的脈沖神經網絡研究.pdf

1、脈沖神經網絡（Spiking Neural Network，SNN）作為一種新型ANN模型，通過模擬生物神經元尖峰脈沖(Spike)生成機制及突觸動力學特征，是迄今最為“生物”的ANN模型。早期的SNN網絡通常采用傳統(tǒng)ANN中基于數值優(yōu)化的學習機制，后來也出現一些數值優(yōu)化和基于生物的神經可塑性相結合的方法。上世紀末，隨著STDP（spike-timing-dependent plasticity）機制在生物神經系統(tǒng)的發(fā)現，使其成為生物神

2、經可塑性研究的熱點課題，也使得基于神經可塑性的學習成為SNN網絡結構優(yōu)化機制的研究重點。
　　神經可塑性包括突觸可塑性和非突觸可塑性。前者通過改變神經元之間的連接強度，對拓撲結構有重要影響；而后者雖不直接作用于神經元之間的連接，但卻與其相互關聯，通過調節(jié)單個神經元的內部特性，影響到網絡的拓撲。優(yōu)化的SNN拓撲結構應是好幾種可塑性的組合，因此，本文兼顧這兩大類可塑性，主要研究了突觸短時程可塑性、突觸長時程可塑性中的STDP（包括興奮

3、性STDP和抑制性STDP）、非突觸可塑性中的內部可塑性對網絡結構及性能的影響。
　　首先，分析多種可塑性機理的組合方法，得到基于上述幾種可塑性的SNN拓撲結構優(yōu)化機制，構建Hybrid Plasticity SNN（HP-SNN）模型。通過復雜網絡理論中的三個指標：度分析、最小路徑長度、簇系數；SNN活動分析常用的相位同步性；信息論中的信息熵指標來評判檢驗優(yōu)化融合后的SNN。
　　為了驗證本文所提出的HP-SNN的有效性和