脈沖神經網絡學習算法的研究及其應用.pdf_第1頁
已閱讀1頁,還剩78頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、為深入研究生物大腦處理信息以及學習的能力,研究者們提出了人工神經網絡,用來模仿大腦信息表達以及處理的過程,而其中具有最高仿生性的是脈沖神經網絡,它表達信息以及處理信息均是采用對時間編碼的方式。比起感知機等傳統(tǒng)神經網絡,脈沖神經網絡與生物大腦神經元在信息處理機制方面更加接近。許多研究均表明,脈沖神經網絡無論是在信息表達能力還是計算能力與傳統(tǒng)神經網絡相比都更勝一籌。因而它引起了國內外學者的廣泛關注和高度重視。目前,脈沖神經網絡在人工智能等多

2、方面領域已經有一些初步研究成果,但是遠沒達到商用的程度,相對傳統(tǒng)神經網絡等它在實際應用中還是較少的。首先是因為時間先后因素,研究相對并不是那么深入,也還沒有普及;再者,雖然脈沖神經網絡被證實是與生物神經系統(tǒng)最接近的網絡,但是其生物大腦神經系統(tǒng)的學習機制尚不清晰,對網絡中神經元學習訓練過程的研究也不成熟,因此,學習方法的研究目前仍然是一個值得研究的問題。
  為了充分運用脈沖神經網絡的優(yōu)點,高度仿生性、較強的信息表達能力以及計算能力

3、,本文對脈沖神經網絡監(jiān)督學習算法進行了深入的研究。目前已經存在一些監(jiān)督學習算法,但是學習效率或者是適用性等方面還是不夠好,為了提高脈沖神經網絡的學習效率、精確度以及能夠適應更加復雜的問題,本文結合
  ReSuMe算法、SpikeProp算法等經典算法或者規(guī)則,對多層網絡監(jiān)督學習算法進行了優(yōu)化以及創(chuàng)新,并且對算法進行了仿真和實驗。本論文工作內容如下:
  1)首先分析了目前存在的一些監(jiān)督學習算法性能、精確度等方面的優(yōu)缺點,比

4、如SpikeProp算法、ReSuMe算法等。
  2)提出一種多脈沖多層的神經網絡監(jiān)督學習算法。該算法是結合ReSuMe算法,對目前存在的多層算法進行優(yōu)化和創(chuàng)新,最后對算法進行了仿真。
  3)在此基礎上,提出了基于延遲的神經網絡監(jiān)督學習算法。該算法使得神經網絡學習過程不再單單只是局限于突觸權重的調整,對原有的算法進行了擴展與創(chuàng)新,最后對算法進行了仿真。
  4)最后將此算法成功應用到XOR邏輯異或、Iris數據集分

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論