基于脉冲序列标识的深度脉冲神经网络时空反向传播算法

尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题。应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率。

脉冲TIG焊熔宽动态过程的自学习模糊神经网络控制

对脉冲ＴＩＧ焊工艺中熄接电流一正面熔宽动态过程提出了一种自学习模糊神经网络控制方法，模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程的建模，实现对模糊加权因子的自学习优化调整。将上述方法用于控制仿真和实际脉冲ＴＩＧ焊过程控制试验，结果表明提出的自学习模糊神经网络控制方案有效。

融合脉冲神经网络的模糊情景车辆重识别算法

车辆重识别任务在模糊情景下存在难以顺利完成任务的情况。在模糊情景下,数据的质量会受到不同程度的影响。针对上述问题,本文提出了一种融合脉冲神经网络(SNN)的车辆重识别算法。脉冲神经网络具有功耗低的优势,且在处理非实值数据时性能优秀,适合应用于模糊情景。本算法通过设计脉冲神经网络模型,对特征图进行深度特征提取,通过残差计算实现身份映射,同时通过卷积注意力模块来优化网络。实验结果表明,算法在添加动态模糊的VeRi-776数据集上Rank-1与平均精度均值(mean average precision,mAP)指标表现优秀,能够有效地完成模糊环境下的车辆重识别任务。

脉冲神经元脉冲序列学习方法综述

脉冲神经元是一种新颖的人工神经元模型,其有监督学习的目的是通过学习使得神经元激发出一串通过精确时间编码来表达特定信息的脉冲序列,故称为脉冲序列学习。针对单神经元的脉冲序列学习应用价值显著、理论基础多样、影响因素众多的特点,对已有脉冲序列学习方法进行了综述对比。首先介绍了脉冲神经元模型与脉冲序列学习的基本概念;然后详细介绍了典型的脉冲序列学习方法,指出了每种方法的理论基础和突触权值调整方式;最后通过实验比较了这些学习方法的性能,系统总结了每种方法的特点,并且讨论了脉冲序列学习的研究现状和进一步的发展方向。该研究结果有助于脉冲序列学习方法的综合应用。

脉冲神经元序列学习方法的影响因素研究

远程有监督方法(ReSuMe)通过计算神经元运行时的输出脉冲和输入脉冲的时间差调整突触权值,是目前在理论基础和实际应用上都较出色的脉冲神经元有监督学习方法,但是当期望输出脉冲序列较长时,ReSuMe方法的学习精度较低。为解决该问题,分析影响ReSuMe方法性能的2个主要因素:在线、离线学习方式及学习过程中更新突触权值时输入脉冲的选取。在线学习精度一般高于离线学习,但是学习精度的差异随着参数或者其他设置的不同有较大差别。针对输入脉冲的选取,提出一种新的学习策略以改进ReSuMe方法,该策略在计算权值调整幅度时综合考虑期望输出与实际输出脉冲序列,从而避免增强与减弱权值时输入脉冲出现重叠干扰。实验结果表明,新的学习策略可以有效提高ReSuMe方法的学习精度及其解决实际问题的能力。

一种脉冲神经元监督学习的直接计算方法

精确脉冲定时作为一种神经元信息编码方式更具生物可解释性,使用精确脉冲定时编码的脉冲神经元具有更为强大的时空信号处理能力.脉冲神经元监督学习是神经计算的重要方面,目的是使神经元对给定输入脉冲在期望时刻发放脉冲.通过分析输入脉冲序列、期望输出脉冲序列与实际输出脉冲序列的关系,发现已有脉冲神经元监督学习算法的脉冲选择与计算较为复杂,致使不能达到理想学习效果.通过去除影响整体学习效果的多余脉冲计算,构建用于脉冲神经元突触权值调整的双脉冲单元,提出了一种适用于脉冲神经元监督学习的直接计算方法.该方法基于输入脉冲,使用期望输出脉冲与实际输出脉冲的时序关系,直接计算突触权值的调整量;每个输入脉冲在每次迭代中最多计算一次,有效减少了脉冲计算次数.实验结果表明,直接计算方法作为脉冲神经元监督学习的一般性脉冲计算优化策略,可以大幅提高已有算法的学习准确率.