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.
近期评论
- Pika发表在《莫里斯蠕虫(Morris Worm)》
- Pika发表在《多组学科研分析》
- crisy发表在《最近关于专利的一点感想》
- walter发表在《机器学习基础知识回顾-马尔科夫过程(Markov Process)》
文章归档
- 2024年3月
- 2024年2月
- 2023年12月
- 2023年11月
- 2023年10月
- 2023年9月
- 2023年8月
- 2023年7月
- 2023年6月
- 2023年5月
- 2023年4月
- 2023年3月
- 2023年2月
- 2023年1月
- 2022年12月
- 2022年11月
- 2022年9月
- 2022年8月
- 2022年7月
- 2022年6月
- 2022年5月
- 2022年3月
- 2022年2月
- 2022年1月
- 2021年12月
- 2021年11月
- 2021年10月
- 2021年9月
- 2021年8月
- 2021年7月
- 2021年6月
- 2021年5月
- 2021年4月
- 2021年2月
- 2021年1月
- 2020年12月
- 2020年11月
- 2020年10月
- 2020年8月
- 2020年7月
- 2020年6月
- 2020年5月
- 2020年4月
- 2020年3月
- 2020年2月
- 2019年7月
- 2019年5月
- 2019年3月
- 2019年1月
- 2018年6月
- 2018年5月
- 2018年4月
- 2018年3月
- 2018年2月
- 2017年11月
- 2017年7月
- 2017年6月
- 2017年5月
- 2017年3月
- 2016年12月
- 2016年11月
- 2016年10月
- 2016年9月
- 2016年8月
- 2016年7月
- 2016年6月
- 2016年5月
- 2016年4月
- 2016年3月
- 2016年2月
- 2016年1月
- 2015年12月
- 2015年11月