脉冲发放神经元随机模型研究与应用分析

当今,随着科学技术的飞速发展,人们对于神经元随机模型的研究与认识不断深入,尤其是对神经电路的研究。人工神经网络是现代信息处理领域的一个重要的方法。相对于软件实现,硬件实现方式能充分发挥神经网络并行处理的特点。用模拟电路实现神经网络电路形式简单、功耗低、速度快、占用芯片面积小,可以提高在神经网络芯片上神经元的集成度,神经元电路适合用模拟电路实现。本文首先简述了脉冲发放神经元的由来和神经元模型及种类,并由此提出了信号在神经元随机模型的传输特性,最后进一步分析总结了脉冲发放神经元随机模型的特征与应用。

Izhikevich神经脉冲发放模型的FPGA硬件实现方法

首先将该神经元模型模块化,然后利用VHDL语言对各个模块进行硬件描述,最后在FPGA中硬件实现了20种神经元的脉冲发放模式,为多种脉冲神经网络的硬件实现提供了参考.

一种基于视皮层神经元模型的彩色图像签名算法

针对彩色图像签名问题进行了研究,基于哺乳动物视皮层神经元工作原理,提出了一种三通道脉冲发放皮层模型TSCM(Triple-Channel Spiking Cortical Model),实现了对彩色图像不变性特征的有效提取。TSCM模型不但具有常规脉冲耦合神经网络签名算法的平移、旋转、缩放不变性,而且算法更加简洁高效,对于噪声影响具有更强的鲁棒性。实验仿真结果验证了该算法的有效性。

四次累积发放神经元同宿环及周期解的存在性和稳定性分析

通过分析具有脉冲效应(状态重置过程)的四次累积发放神经元模型的同宿分岔,研究了该系统周期解的存在性和稳定性。主要针对系统具有两个平衡点的情形,对系统鞍点附近的动力学行为进行定性分析,研究多种情况下系统的1-阶同宿环的存在性。以d为分岔参数,当系统发生同宿分岔后,利用脉冲动力系统理论及庞加莱映射的不动点理论,证明不同情形下1-阶同宿环附近1-阶周期解的存在性和稳定性;最后,数值模拟系统的周期解,验证了理论结果的正确性。所采用的方法提供了一种寻找脉冲动力系统周期解的策略。

基于自适应编码的脉冲神经网络

脉冲神经网络(SNN)采用脉冲序列表征和传递信息,与传统人工神经网络相比更具有生物可解释性,但典型SNN的特征提取能力受到其结构限制,对于图像数据等多分类任务的识别准确率不高,不能与卷积神经网络相媲美。为此提出一种新型的自适应编码脉冲神经网络(SCSNN),将CNN的特征提取能力与SNN的生物可解释性结合起来,采用生物神经元动态脉冲触发特性构建网络结构,并设计了一种新的替代梯度反向传播方法直接训练网络参数。所提出的SCSNN分别在MNIST和Fashion-MNIST数据集进行验证,取得较好的识别结果,在MNIST数据集上准确率达到了99.62%,在Fashion-MNIST数据集上准确率达到了93.52%,验证了其有效性。

Stein神经元模型在共同的随机输入下的同步性(英文)

主要证明了脉冲幅度与神经元状态有关的Stein模型都能够使两个初始膜电位不同的神经元以概率1达到同步发放.这一结论可以推广到多个初始膜电位不同的神经元.但同步发放的时间没有上限,目前只能给出一个粗略的方法,估计出同步概率在α%(0 <α<100)以上的同步时间.最后,脉冲幅度与神经元状态有关的Stein模型的数值模拟结果符合前述结论的预期.