宋振宇 严雪梅 谢琦雯

（泰州学院计算机科学与技术学院 江苏省泰州市 225300）

1 研究背景

1943年，McCulloch和Pitts首次提出了神经细胞的数学模型来模拟生物神经元的计算机制[1]，并作为多层感知器(MLP)的基本单元而被广泛应用。MLP已成功应用于模式识别[2]、函数拟合[3]、设计优化和联想记忆[4]等多个领域。近几十年来，MLP以高性能计算能力和低计算成本等优势，成为一种非常流行的深度学习计算工具。即使，该神经网络模型具有多层隐含层结构，能够很好地解决非线性问题。然而，MLP的学习算为误差反向传播(BP)算法，BP算法往往容易陷入局部最优或过早收敛的问题，使得该模型在处理高维问题或复杂优化问题显露出明显地劣势[5]。

随着生物神经元计算组织研究的深入，学者们对单个神经元能否解决线性不可分问题展开了激烈的争论，但是，就目前McCulloch和Pitts提出的单层感知器模型是无法通过单一的神经元来解决线性不可能问题的[6]。在神经计算研究领域，科学家们更关注树突结构在神经元计算中的作用。据研究发现，在人类的头部不同区域构建了105支树突状结构分支，而这些区域能够高精度地执行我们大脑所有功能[7]。受此神经科学初步研究的启发，学者们提出了一些单一的神经元计算模型，并应用于智能计算[8-10]。与这些主观构建的神经元计算模型相比，Legenstein和Maass提出了一种基于现象学的实验新模型，该模型可以仅依赖脉冲时间相关的可塑性和分支强度激活或抑制来成功解决特定的问题，所以该模型仍然不能解决线性不可分的问题[11]。……