个人技术笔记

脉冲神经网络SNN综述

发布时间：2019-01-01  栏目：人工智能, 脉冲神经网络  评论：0 Comments

脉冲神经网络（Spiking Neural Networks）是第三代神经网络，使用离散的脉冲序列（spkie train）进行编码，使用Hebb Rule (Neurons file together, wire together)进行学习，相比于深度学习的第二代神经网络，SNN具有以下优点：

– 离散的，所以天生低精度、低功耗

– 天生使用时域信息进行编码

– 高度动态的，所以并行化程度高，学习很快

脉冲神经网络目前对复杂场景的处理能力还比不上深度学习成熟，所以目前的研究热点是如何将SNN与深度学习相结合。

 

常用的SNN模型有以下几种：

– Hodgkin-Huxley (HH) Model

– Integrate-and -File (IF) Model

Quadartic-Integrate-and-File (QIF) Model：可以提供动态的spike属性，比如延迟的spike以及依赖于activity的thresholding

– Izhikevich Model

– Spike Response Model (SRM): 可以模拟复杂的计算

 

STDP规则:如果神经元的输入spike正好在输出spike之前，那么这个输入会增强；如果输入spike正好在输出spike之后，那么这个输入会减弱；也就是说，越有可能成为输出spike原因的输入，会最终变成真正的输入。

 

留下评论

You must be logged in to post a comment.