基于时域膜电位归一化算法训练脉冲神经网络

由于脉冲神经网络(Spike Neural Network,SNN)具有的时间特性使其比人工神经网络更容易发生梯度消失或梯度爆炸等问题,因此本文提出时域膜电位归一化方法。通过调整神经元膜电位的分布,减少网络内部的协变量移位,来保证训练深度脉冲神经网络的稳定。通过实验验证了本文方法的有效性,在CIFAR-10数据集上的识别精度达到了88.12%。