| 具有奖罚机制STDP的Spike-CNN模型的机械臂故障分类 |
| |
| 作者姓名： | 刘颖 周恩辉 张薇 王秀青 吕锋 |
| |
| 作者单位： | 1. 河北师范大学计算机与网络空间安全学院河北省网络与信息安全重点实验室供应链大数据分析与数据安全河北省工程研究中心;2. 河北师范大学数学科学学院;3. 河北工业大学电子信息工程学院 |
| |
| 基金项目： | 国家自然科学基金面上项目(61673160)资助；;河北省自然科学基金项目(F2018205102)资助；;河北省高等学校科学技术研究项目(ZD2021063)资助； |
| |
| 摘 要： | 在计算机视觉领域中，卷积神经网络取得了举世瞩目的成就，但其能耗问题一直未能得到很好解决.基于此问题，本文主要研究无监督学习范式下的Spike-CNN分类性能以及计算力.首先，本文设计了一种基于CNN和SNN的混合结构，在层级结构上实现脉冲机制；其次，为减少模型训练时间，本文提出了ReLU-ROC编码方案；最后，为使兴奋性神经元快速做出决策，本文提出了具有决策能力的RP-STDP学习方案：计算每对突触前与突触后兴奋性神经元的相对时间差.实验结果表明：以工业机器人采集到多元时间序列数据解决机械臂不同工作状态的3分类、4分类、5分类问题，在没有引入其他分类器的情况下，本文提出的具有奖罚机制的STDP的Spike-CNN方法平均准确率为LP1(91.07%)、LP2(96.66%)、LP4(93.95%).
|
| 关 键 词： | 脉冲神经网络 STDP学习规则 卷积神经网络 机械臂故障诊断 分类 |
|
