Spiking神經(jīng)網(wǎng)絡的動態(tài)特性對液體狀態(tài)機的影響研究.pdf

1、近年來，Spiking神經(jīng)網(wǎng)絡（Spiking Neural Network，簡稱SNN）因其以非常接近生物的神經(jīng)元模型作為信息處理單元，吸引了眾多學者的廣泛關(guān)注和高度重視。相比于傳統(tǒng)基于模擬信號實現(xiàn)信息交流的人工神經(jīng)網(wǎng)絡(Artificial Neural Network，簡稱ANN），Spiking神經(jīng)網(wǎng)絡則利用神經(jīng)元放電時間編碼的方式來實現(xiàn)信息的表示和傳遞，可以表現(xiàn)出真實生物系統(tǒng)豐富的動態(tài)特性。
　　液體狀態(tài)機（Liquid

2、 State Machine，簡稱LSM）是一種基于SNN的神經(jīng)計算模型，其液體層（隱含層）是一個由若干神經(jīng)元相互連接組成的遞歸型 SNN?，F(xiàn)有研究結(jié)果表明，液體狀態(tài)機在計算速度和計算精度等方面表現(xiàn)尤為突出，而這得益于 SNN的豐富動態(tài)特性，因而深入研究 SNN的動態(tài)特性對液體狀態(tài)機的計算能力的影響具有重大意義。本文從網(wǎng)絡的放電模式和自組織臨界動力學行為兩個方面來研究SNN的動態(tài)性能對液體狀態(tài)機計算能力的影響。
　　真實生物神經(jīng)元

3、具有多種放電模式，峰放電和簇放電是兩種最典型的放電模式。峰放電是每次放電只產(chǎn)生一個單脈沖，而簇放電表現(xiàn)為短時間內(nèi)多個脈沖連續(xù)產(chǎn)生的過程。本文通過比較具有不同放電模式的SNN來分析放電模式對液體狀態(tài)機的影響。通過構(gòu)建基于MATLAB的仿真平臺，設計脈沖信號重構(gòu)以及脈沖序列分類兩大任務，仿真結(jié)果表明，與峰放電相比，高頻的簇放電模式能明顯增強液體狀態(tài)機的計算能力。
　　自組織臨界動力學行為是復雜網(wǎng)絡的一個重要現(xiàn)象。處于自組織臨界態(tài)的網(wǎng)絡

4、具有雪崩大小呈冪律分布、熵最大化、魯棒性等特征。本文首先研究了具有不同拓撲結(jié)構(gòu)的網(wǎng)絡的自組織臨界動力學行為，包括未經(jīng)學習的隨機網(wǎng)絡、經(jīng)過非對稱放電時間依賴突觸可塑性（Spike Timing Dependent Plasticity，簡稱STDP）學習后的網(wǎng)絡以及經(jīng)過非對稱STDP和內(nèi)部可塑性（Intrinsic Plasticity，簡稱IP）共同學習后的網(wǎng)絡，并將處于臨界態(tài)的網(wǎng)絡應用到液體狀態(tài)機的液體層中。仿真計算結(jié)果表明，當網(wǎng)絡處