庄祖江,房 玉,雷建超,刘栋博,王海滨

(西华大学 电气与电子信息学院,成都 610039)

0 概述

脉冲神经网络(Spiking Neural Network,SNN)[1]被称为第三代神经网络[2],是目前最具有仿生性的人工神经网络。脑科学的研究结果表明,在生物系统中,信息是以突触直接的动作电位来进行处理和传递的。受这一研究的启发,脉冲神经网络将信息编码成脉冲序列进行处理,其结构更接近于生物神经元,而且网络的计算能力强于传统人工神经网络[3]。由于其优秀的性能,引发了诸多学者的关注,如英国帝国理工大学的GOODMAN研发了脉冲神经网络的仿真平台Brian[4-5],奥地利的MAASS对脉冲神经元模型、网络拓扑结构和相关应用进行了研究[6-7],日本东京大学KUBOTA等人将SNN应用到助力机器人以及行走机器人上[8],瑞士联邦学院GERSTNER等人对脉冲神经元模型和脉冲时间独立可塑性学习规则等理论进行了研究[9]。国内也有学者对此进行了研究,如文献[10]对基于脉冲时间网络的图像分割应用进行了研究,而且提出了累加和累积合成核机制进行网络的训练[11],文献[12]将自组织网络与STDP相结合对算法进行研究,也有学者提出了基于脉冲神经网络的片上网络路由器动态优先级仲裁策略[13]。

研究人员对脉冲神经元模型进行深入研究,目前学界比较公认的学习算法有脉冲时间依赖可塑性(Spike-Timing-Dependent-Plasticity,STDP)[14]、Tempotron[15]、ReSuMe(Remote Supervised Method)[16]和SpikeProp[17]等,STDP算法由Hebb规则[18]延伸而得到,是目前比较流行的无监督算法[19],能够较好地解释神经网络的依赖性。

本文研究基于无监督的脉冲神经网络,采用STDP学习算法进行基于脉冲数目的无监督训练,通过改进传统的分类方法,提出一种投票竞争机制提高网络的分类准确率,并在MNIST数据集上进行实验验证。……