机构名称：
¥ 3.0
摘要：过去十年，深度神经网络在各个领域取得了巨大成功。然而，深度神经网络在能源消耗、数据要求和高计算成本方面非常耗费资源。随着现实世界中对机器自主性的需求日益增加，例如自动驾驶汽车、无人机和协作机器人，人们积极研究在这些应用中利用深度神经网络。在这些应用中，由于需要实时响应和有限的能源供应，能源和计算效率尤为重要。最近，生物学上合理的脉冲神经网络为这些以前不可行的应用提供了一个有希望的解决方案。脉冲神经网络旨在弥合神经科学和机器学习之间的差距，使用生物学上真实的神经元模型来进行计算。由于脉冲神经网络在功能上与生物神经网络相似，因此它可以包含生物学中发现的稀疏性，并且与时间代码高度兼容。我们在本项工作中的贡献是：（i）我们对生物神经元理论进行了全面回顾；（ii）我们介绍了神经科学中研究过的各种现有的基于脉冲的神经元模型；（iii）我们详细介绍了突触模型；（iv）我们对人工神经网络进行了回顾；（v）我们提供了有关如何训练基于脉冲的神经元模型的详细指导；（vi）我们修改了现有的基于脉冲的神经元框架，这些框架已被开发用于支持实现脉冲神经网络；（vii）最后，我们介绍了计算机视觉和机器人领域中现有的脉冲神经网络应用。本文最后讨论了未来的观点。
脑科学 - NSF-PAR
主要关键词
相关文件推荐
