基于Spiking神經(jīng)網(wǎng)絡(luò)模式識別的研究.pdf

1、Spiking神經(jīng)網(wǎng)絡(luò)被稱為“第三代神經(jīng)網(wǎng)絡(luò)”，是神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的最新成果。相較于前兩代神經(jīng)網(wǎng)絡(luò)，其對于神經(jīng)元的模擬更加接近實際，具有更強大的計算能力，在機器學(xué)習(xí)、圖像處理和視覺信息處理等方面都具有廣泛的應(yīng)用。Spiking神經(jīng)網(wǎng)絡(luò)有較強非線性處理能力，并且其編碼機制和突觸學(xué)習(xí)機制等方面與前兩代神經(jīng)網(wǎng)絡(luò)都有明顯的差異，對于Spiking神經(jīng)網(wǎng)絡(luò)的研究是十分有意義的。近年來，模式識別在研究和應(yīng)用領(lǐng)域中的應(yīng)用越來越廣泛，并取得了優(yōu)異的效果

2、。將Spiking神經(jīng)網(wǎng)絡(luò)運用到模式識別領(lǐng)域并運用它解決一定的模式識別問題也是非常有意義的。
　　本文主要對Spiking神經(jīng)網(wǎng)絡(luò)基本理論進行相應(yīng)的論述，對Spiking神經(jīng)網(wǎng)絡(luò)模型和Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進行研究。本文結(jié)合Spiking神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，提出基于Spiking卷積的模式識別模型，并對現(xiàn)有學(xué)習(xí)算法進行改進，提出一種改進的Tempotron學(xué)習(xí)算法。本文主要研究內(nèi)容如下：
　　1.對生物神經(jīng)元的基

3、礎(chǔ)理論進行了簡單介紹，并在此基礎(chǔ)上介紹了Spiking
　　神經(jīng)網(wǎng)絡(luò)的基本理論，包括了Spiking神經(jīng)元模型、Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和神經(jīng)元編碼方法。
　　2.提出基于Spiking卷積的圖像邊緣特征編碼，本文將卷積神經(jīng)網(wǎng)絡(luò)和圖像
　　邊緣提取運用到Spiking時間編碼，提出該編碼方案，用于對輸入信息進行編碼。
　　3.提出了R-Tempotron學(xué)習(xí)算法，該算法針對Tempotron學(xué)習(xí)算法的不考慮

4、
　　噪聲的缺點進行改進，將噪聲閾值運用到訓(xùn)練過程中，用于提高Tempotron算法的魯棒性。
　　4.在Spiking卷積編碼和R-Tempotron學(xué)習(xí)算法基礎(chǔ)上提出本文基于R-
　　Tempotron的Spiking卷積模式識別模型，并在MNIST數(shù)據(jù)集上進行測試。實驗成功地應(yīng)用 Spiking卷積對圖像邊緣特征提取，且提取的邊緣效果較好，
　　使得編碼后的Spiking神經(jīng)元能夠有效地區(qū)分不同的類別，同時