脈沖神經網絡學習算法的研究及其應用.pdf

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