机构名称：
¥ 1.0
深度尖峰神经网络（DSNN）是一个有希望的人为智能的构成模型。它通过层次结构从DNN和SNN中受益，分别提供多个级别的抽象和事件驱动的综合方式，分别提供超低功率的神经形态实现。然而，如何有效地训练DSNN仍然是一个空旷的问题，因为不可差的尖峰函数可以防止直接应用于DSNN的传统后反向传播（BP）学习算法。在这里，受到生物神经网络的发现的启发，我们通过向DSNN引入神经振荡和尖峰信息来解决上述问题。特别是，我们提出了振荡后电势（OS-PSP）和相锁的活动函数，并进一步提出了新的尖峰神经元模型，即共鸣尖峰神经元（RSN）。基于RSN，我们为DSNN提供了峰值级依赖性的后传播（SLDBP）学习算法。实验结果表明，所提出的学习算法解决了由于BP学习算法 - rithm和SNN之间不兼容而引起的问题，并在基于尖峰的学习算法中实现了最先进的表现。这项工作提出了引入以生物学启发的机制的贡献，例如神经振荡和尖峰期信息对DSNNS，并为设计未来的DSNN提供了新的观点。
具有神经振荡和尖峰相信息的深尖峰神经网络
主要关键词
相关文件推荐
