基于STDP学习规则的视网膜神经回路的特性

基于视网膜的生理解剖结构,构建了包括视锥细胞、水平细胞、双极细胞、AII无长突细胞、神经节细胞、外侧膝状体核和ON通路与OFF通路的视网膜神经回路模型,并在神经节细胞层和外侧膝状体核层的突触连接中引入STDP(Spike-Timing Dependent Plasticity)学习规则,通过添加单一图形刺激和交替图形刺激,比较神经节细胞和外侧膝状体核的电位发放、发放频率以及两者之间突触权重的变化,研究视网膜神经回路的信息传递特性.结果表明:构建的神经回路模型可有效地将光照强度信息转化为发放时序频率信息,且表现出生物视网膜的信息结构特性;STDP学习规则的引入使得外侧膝状体核层接收了相应的刺激模式并学习记忆了这种模式,且ON通路和OFF通路表现出学习独立性;STDP学习规则可以对交替出现的图形刺激,在突触权重的空间分布上进行叠加,且重叠部分的学习效果更加显著.

一种改进的基于STDP规则的SOM脉冲神经网络

将脉冲神经网络的高效处理能力与自组织映射神经网络相结合,构造了一种基于突触可塑性(STDP)规则的SOM脉冲神经网络模型.该网络将输入和权值用脉冲发放时间编码,符合生物信息处理机制.用STDP规则调整权值,不需要通过学习率控制收敛速度,缩短网络训练时间.使用欧氏距离的平方计算权值和样本之间的相似度,与欧氏距离法相比简化了计算,便于硬件实现.基于MATLAB仿真平台,用该网络对UCI机器学习数据库中Iris数据集进行聚类后精度达到93.33%,比传统的SOM、K-means等聚类方法更具有优越性.

具有奖罚机制STDP的Spike-CNN模型的机械臂故障分类

在计算机视觉领域中,卷积神经网络取得了举世瞩目的成就,但其能耗问题一直未能得到很好解决.基于此问题,本文主要研究无监督学习范式下的Spike-CNN分类性能以及计算力.首先,本文设计了一种基于CNN和SNN的混合结构,在层级结构上实现脉冲机制;其次,为减少模型训练时间,本文提出了ReLU-ROC编码方案;最后,为使兴奋性神经元快速做出决策,本文提出了具有决策能力的RP-STDP学习方案:计算每对突触前与突触后兴奋性神经元的相对时间差.实验结果表明:以工业机器人采集到多元时间序列数据解决机械臂不同工作状态的3分类、4分类、5分类问题,在没有引入其他分类器的情况下,本文提出的具有奖罚机制的STDP的Spike-CNN方法平均准确率为LP1(91.07%)、LP2(96.66%)、LP4(93.95%).