王 蕾，王连明

(1.东北师范大学物理学院，吉林 长春 130024； 2.东北师范大学应用电子技术研究所，吉林 长春 130024)

一种改进的基于STDP规则的SOM脉冲神经网络

王 蕾1，王连明2

(1.东北师范大学物理学院，吉林 长春 130024； 2.东北师范大学应用电子技术研究所，吉林 长春 130024)

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.

自组织映射神经网络；脉冲神经网络；STDP学习规则；聚类

0 引言

自组织映射(Self-organizing Map，SOM)神经网络具有无导师自聚类的特点，通过SOM神经网络可以降低数据的维数[1].SOM神经网络广泛应用在语音识别、数据降维、数据挖掘、图像处理等领域，它是人工神经网络领域的研究热点之一.[2-3]

生物神经领域的大量研究表明，在生物神经系统中是利用生物神经元发放脉冲的精确时间来处理信息.[4-5]Spiking神经网络是模拟这种脉冲时间编码方式的重要工具，由于Spiking神经网络具有计算能力强、信号简单等优点，将其硬件实现构造能够真正实现并行计算、分布存储的高性能……