Spiking神經(jīng)網(wǎng)絡(luò)及其在圖像處理技術(shù)上的應(yīng)用研究.pdf

1、被譽(yù)為“第三代神經(jīng)網(wǎng)絡(luò)”的Spiking神經(jīng)網(wǎng)絡(luò)是神經(jīng)科學(xué)，計(jì)算智能領(lǐng)域的最新研究成果，它是能夠有效模擬生物神經(jīng)元之間信息隨時(shí)間連續(xù)傳遞的動(dòng)力系統(tǒng)。該模型采用時(shí)間編碼方式組織信息，可以模擬真實(shí)生物中的信息處理機(jī)制，比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更接近實(shí)際生物神經(jīng)系統(tǒng)。研究表明，Spiking神經(jīng)元具備對(duì)外部輸入信息的非線性處理能力，其編碼機(jī)制、神經(jīng)元模型、突觸學(xué)習(xí)規(guī)則等都與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)大有不同，研究其內(nèi)部機(jī)制并對(duì)其應(yīng)用進(jìn)行探索是很有意義的。而卷積神經(jīng)網(wǎng)

2、絡(luò)作為Deep Learning領(lǐng)域中的一大分支，能有效模仿生物大腦空間層次結(jié)構(gòu)來(lái)解釋數(shù)據(jù)處理流程。因此，本文探究具有高度仿生物脈沖時(shí)序處理能力的Spiking機(jī)制，與具有空間抽象特征提取能力的卷積網(wǎng)絡(luò)相結(jié)合，以全新的時(shí)空結(jié)合方式探索更符合生物認(rèn)知規(guī)則的新模型，從而提高對(duì)時(shí)空數(shù)據(jù)的處理能力，既具有極強(qiáng)的科學(xué)研究意義，又具有較高的工程應(yīng)用價(jià)值。
　　本文的工作主要有三個(gè)方面：首先，提出了一種具有良好空間表征特性和時(shí)間信息傳遞的Spi

3、king-卷積神經(jīng)網(wǎng)絡(luò)模型。利用具有時(shí)序處理能力的Spiking神經(jīng)元代替?zhèn)鹘y(tǒng)方式來(lái)組織、表示和傳遞信息，針對(duì)時(shí)間脈沖進(jìn)行卷積，將Spiking的時(shí)間處理特性和卷積網(wǎng)絡(luò)空間連接方式有機(jī)結(jié)合。這種基于卷積網(wǎng)絡(luò)的Spiking-卷積模型繼承了卷積結(jié)構(gòu)的局部連接、權(quán)值共享結(jié)構(gòu)，對(duì)數(shù)據(jù)具有高度不變性，具有較少訓(xùn)練參數(shù)，同時(shí)具備了對(duì)時(shí)序數(shù)據(jù)的計(jì)算能力，汲取了兩者之所長(zhǎng)。這也是首次把Spiking神經(jīng)機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，以達(dá)到對(duì)時(shí)空特征的自

4、動(dòng)提取能力；其次，本文提出了基于Spiking-卷積的圖像邊緣檢測(cè)算法，運(yùn)用拉普拉斯高斯算子（LOG）和高斯差分函數(shù)（DOG）兩種經(jīng)典有效的濾波器，進(jìn)行 Spiking-卷積，替換傳統(tǒng)卷積方式，對(duì)圖像進(jìn)行邊緣提取，為了驗(yàn)證Spiking-卷積新算法完成邊緣檢測(cè)的性能，我們做了仿真實(shí)驗(yàn)，并取得了良好的效果，為后續(xù)工作提供了技術(shù)保障；最后，本文給出了一個(gè)基于Spiking-卷積機(jī)制的圖像識(shí)別計(jì)算模型，該模型具有Spiking-卷積的時(shí)空信息