Adaline对权扰动敏感性的近似计算

主要讨论Adaline对权扰动敏感性的计算.鉴于Adaline的输入和输出的不连续性,敏感性定义为Adaline对于所有可能输入在权值发生扰动的情况下输出发生变化的概率.借助超球面模型和解析几何的技术,给出一个近似计算Adaline敏感性的方法.在输入维数足够大的情况下,该方法优于以往的其它方法.它在牺牲少量计算精度的情况下,极大地降低了计算复杂度,使得敏感性更具实用价值.     

脉冲神经元脉冲序列学习方法综述

脉冲神经元是一种新颖的人工神经元模型,其有监督学习的目的是通过学习使得神经元激发出一串通过精确时间编码来表达特定信息的脉冲序列,故称为脉冲序列学习。针对单神经元的脉冲序列学习应用价值显著、理论基础多样、影响因素众多的特点,对已有脉冲序列学习方法进行了综述对比。首先介绍了脉冲神经元模型与脉冲序列学习的基本概念;然后详细介绍了典型的脉冲序列学习方法,指出了每种方法的理论基础和突触权值调整方式;最后通过实验比较了这些学习方法的性能,系统总结了每种方法的特点,并且讨论了脉冲序列学习的研究现状和进一步的发展方向。该研究结果有助于脉冲序列学习方法的综合应用。     

带延迟调整的脉冲神经元梯度下降学习算法

脉冲神经元有监督学习算法通过梯度下降法调整神经元的突触权值,但目标学习序列长度的增加会降低其精度并延长学习周期。为此,提出一种带延迟调整的梯度下降学习算法。将每个突触的延迟作为学习参数,在学习过程中调整权值,同时对突触的延迟时间进行梯度下降调整,从而使神经元激发出目标脉冲序列。实验结果表明,该算法在不增加算法复杂度的情况下,能够提高神经元学习复杂脉冲序列的能力,且收敛速度较快。     

一种可实现STDP机制的CMOS突触和神经元电路设计

设计了一个高度集成的、高能效的CMOS突触和神经元电路。该突触电路可以实现基于脉冲时间依赖可塑性(Spike Timing Dependent Plasticity,STDP)的学习机制。通过这种机制可以模拟动作脉冲在真实突触中的传导特性并大规模集成为神经形态芯片。该电路采用低功耗的设计方法,晶体管偏置在亚阈值区,由低压电源(0.6 V)供电,采用0.18μm标准CMOS工艺实现。仿真结果表明,突触权值的变化为0.17 V~0.43 V;神经元电路可以真实模拟出神经元放电的多种模式,如RS(Regular Spike)模式、LTS(Low-Threshold Spike)模式、CH(Chattering)模式和IB(Intrinsic Bursting)模式等,电路在产生动作电位时每个脉冲平均仅消耗约0.6 p J的能量。     

兴奋性化学突触耦合的神经元的同步

基于动力系统的稳定性理论、数值计算分岔图和线性化系统的最大Lyapunov指数,研究了经兴奋性化学耦合的快峰神经元的同步动力学.研究表明,随着一些关键参数的改变,耦合神经元能呈现丰富的同步行为,如各种周期的同步和混沌的同步.研究结果对理解神经元系统的同步运动具有指导意义.     

线性时变脉冲扰动大系统的稳定性

本文运用比较原理和向量Ｌｙａｐｕｎｏｖ函数相结合等方法，首次讨论了具有脉冲扰动的线笥时变测度大系统的稳定性，给出了若干全局指数稳定的判据。     

脉冲负载下的永磁同步电机随机扰动衰减研究

针对随机扰动及脉冲负载下的永磁同步电机速度跟踪控制问题,利用脉冲系统的稳定性理论,对以电机转速和负载为状态变量的脉冲系统进行分析,获得系统的稳定性结论。理论分析获证,受控系统在控制器作用下是李亚普诺夫稳定的,并能实现扰动衰减。数值实验表明,所获控制方案能有效抑制系统的随机扰动以及脉冲负载扰动,系统输出跟踪能力强。     

脉冲神经元的信息处理

介绍累积放电脉冲神经元的数学描述;讨论脉冲神经元如何将激励信号转化为脉冲序列;讨论脉冲神经元如何将输入脉冲序列转化为输出脉冲序列。实验结果表明脉冲神经元具有很好的信息表示能力、信号鉴别能力和图像信号重构能力。给出利用脉冲神经网络进行图像信号处理的方法。     

分段线性脉冲神经元模型的簇放电分析

应用一种二维分段线性脉冲神经元模型的简单计算特性,对其簇放电特性进行了详细研究。发现该模型表现出强迫和内禀两类簇放电模式,并分析了内禀簇放电的产生机理及分岔现象。在实验中,应用该模型对一类具有簇放电特性的皮层神经元进行了模拟。     

Spiking neural P systems with neuron division and budding

Spiking neural P systems are a class of distributed and parallel computing models inspired by spiking neurons.In this work,the features of neuron division and neuron budding are introduced into the framework of spiking neural P systems,which are processes inspired by neural stem cell division. With neuron division and neuron budding,a spiking neural P system can generate exponential work space in polynomial time as the case for P systems with active membranes.In this way,spiking neural P systems can efficie...     

基于生物机制脉冲神经网络的特征提取

脉冲神经元可以被用于处理生物刺激并且可以解释大脑复杂的智能行为。脉冲神经网络以非常逼近生物的神经元模型作为处理单元,可以直接用来仿真脑科学中发现的神经网络计算模型,输出的脉冲信号还可与生物神经系统对接。而小波变换是一个非常有利的时频分析工具,它可以有效的压缩图像并且提取图像的特征。本文中将提出一种与人类视觉系统的开/关神经元阵列相结合的脉冲神经网络,来实现针对视觉图像的快速小波变换。仿真结果显示,这个脉冲神经网络可以很好地保留视觉图像的关键特征。     

脉冲神经网络中神经元突触的硬件实现方案

脉冲神经网络被誉为第三代神经网络,近年来受到许多学者的关注,其优势已经在模式识别、计算机视觉等诸多领域得到了发挥．脉冲神经网络的硬件化是实现其强大计算能力的重要途径,而突触的硬件实现又是其中的一个关键性环节．本文先从SRM模型中脉冲神经元突触的特性曲线入手,用适合FPGA实现的差分方程来逼近这一响应曲线,并对差分方程中的待定参数进行了优化,然后根据差分方程,在Simulink平台上设计出硬件电路,并给出了在方波脉冲激励下,电路输出的仿真结果,最后对今后的工作做出了展望．     

Learning Temporally Encoded Patterns in Networks of Spiking Neurons

Networks of spiking neurons are very powerful and versatile models for biological and artificial information processing systems. Especially for modelling pattern analysis tasks in a biologically plausible way that require short response times with high precision they seem to be more appropriate than networks of threshold gates or models that encode analog values in average firing rates. We investigate the question how neurons can learn on the basis of time differences between firing times. In particular, we provide learning rules of the Hebbian type in terms of single spiking events of the pre- and postsynaptic neuron and show that the weights approach some value given by the difference between pre- and postsynaptic firing times with arbitrary high precision.     

脉冲神经元环路振荡发放与环路选择

在Izhikevich提出的脉冲神经元模型中,引入随机变化的输入电流,使神经元的脉冲发放具有随机性,不同数量的神经元采用连接权值组成网络的脉冲发放。实验结果表明,选择适当的连接权值可以得到环路的持续振荡发放。通过脉冲发放,可以在网络中选择神经环路,完成环路记忆联想过程,并给出研究脉冲神经智能的新思路。     

多核并行脉冲神经网络模拟器的设计

脉冲神经网络属于第三代人工神经网络,它是更具有生物可解释性的神经网络模型。随着人们对脉冲神经网络不断深入地研究,不仅神经元空间结构更为复杂,而且神经网络结构规模也随之增大。以串行计算的方式,难以在个人计算机上实现脉冲神经网络的模拟仿真。为此,设计了一个多核并行的脉冲神经网络模拟器,对神经元进行编码与映射,自定义路由表解决了多核间的网络通信,以时间驱动为策略,实现核与核间的动态同步,在模拟器上进行脉冲神经网络的并行计算。以Izhikevich脉冲神经元为模型,在模拟环境下进行仿真实验,结果表明多核并行计算相比传统的串行计算在效率方面约有两倍的提升,可为类似的脉冲神经网络的模拟并行化设计提供参考。     

单房室脉冲神经元建模方法综述

要通过人工神经网络来模拟神经系统的功能并对实际问题进行求解,构建合适的脉冲神经元模型非常重要。为了使研究者了解此问题的研究进展,对目前的单房室脉冲神经元建模方法进行了综述。根据复杂程度将这些模型分为三类:具有生物可解释性的生理模型,具有脉冲生成机制的非线性模型和具有固定阈值的线性模型。对各类不同建模方法进行了阐述和分析,并讨论了各自的优缺点。     

A quantified sensitivity measure for multilayer perceptron to input perturbation

The sensitivity of a neural network's output to its input perturbation is an important issue with both theoretical and practical values. In this article, we propose an approach to quantify the sensitivity of the most popular and general feedforward network: multilayer perceptron (MLP). The sensitivity measure is defined as the mathematical expectation of output deviation due to expected input deviation with respect to overall input patterns in a continuous interval. Based on the structural characteristics of the MLP, a bottom-up approach is adopted. A single neuron is considered first, and algorithms with approximately derived analytical expressions that are functions of expected input deviation are given for the computation of its sensitivity. Then another algorithm is given to compute the sensitivity of the entire MLP network. Computer simulations are used to verify the derived theoretical formulas. The agreement between theoretical and experimental results is quite good. The sensitivity measure can be used to evaluate the MLP's performance.