Spiking神经网络的模型优化及其在图像识别中的应用研究

发布时间：2022-10-17 15:17

　　人工智能作为21世纪的三大尖端技术之一,对社会经济和人们的生活方式产生了深远的影响,正引领着时代发展的潮流。在人工智能的发展历程中,神经科学一直都起着推动作用,被称为第三代人工神经网络的Spiking神经网络便是神经科学和人工智能相结合的产物。通过模拟生物神经系统中的神经元和突触的功能以及信息处理方式,Spiking神经网络采用时间编码方式来表示和传递信息,具有比较丰富的生物特性。在处理和脉冲序列相关的任务中,Spiking神经网络具有独特的优势,因此得到了许多学者的关注和重视。本文从计算模型和图像识别两个方面对Spiking神经网络进行理论研究和应用扩展。（1）本文对Spiking神经元模型中的外部电流进行了优化。首先选取了合适的突触模型,并通过突触整合来生成神经元的突触外部电流。然后通过设计相关的实验,研究了突触外部电流对Spiking神经网络的动力学和性能的影响,并和传统使用的噪声外部电流进行了对比。结果表明,突触外部电流可以明显提升网络活动的复杂度,并且能够有效增强网络的重构和分类能力。（2）本文提出了一种基于生物视觉皮层处理机制的新型Spiking神经网络图像识别计算模型。通... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 本文研究背景及意义
    1.2 本文国内外研究现状
    1.3 本文主要研究内容及创新之处
        1.3.1 研究内容
        1.3.2 创新之处
    1.4 本文各章节内容及安排
2 Spiking神经网络的计算模型
    2.1 生物神经元
    2.2 Spiking神经元模型
        2.2.1 H-H模型
        2.2.2 LIF模型
        2.2.3 IZH模型
    2.3 突触及突触整合
        2.3.1 生物突触
        2.3.2 突触的数学模型
        2.3.3 突触整合
    2.4 液体状态机
    2.5 本章小结
3 计算模型的优化及其对网络的影响研究
    3.1 神经元外部电流的优化
    3.2 动力学分析
    3.3 脉冲信号的重构实验
    3.4 脉冲序列的分类实验
    3.5 本章小结
4 Spiking神经网络在图像识别中的应用研究
    4.1 图像预处理
        4.1.1 V1 神经元的时空响应
        4.1.2 V4 神经元的脉冲响应
    4.2 Spiking监督学习
        4.2.1 延迟编码
        4.2.2 输出神经元的模型
        4.2.3 Tempotron学习规则
    4.3 识别结果
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录
    A 作者在攻读学位期间发表的论文目录
    B 作者在攻读学位期间参与的科研项目
    C 学位论文数据集
致谢


【参考文献】：
期刊论文
[1]一种改进的基于STDP规则的SOM脉冲神经网络[J]. 王蕾,王连明.  东北师大学报(自然科学版). 2017(03)
[2]基于脉冲序列核的脉冲神经元监督学习算法[J]. 蔺想红,王向文,党小超.  电子学报. 2016(12)
[3]基于生物机制脉冲神经网络的特征提取[J]. 张振敏,林秀芳,范群贞.  计算技术与自动化. 2016(01)
[4]基于脉冲神经网络人脸特征提取[J]. 邓小云,刘金清,吴庆祥.  福建师范大学学报(自然科学版). 2014(01)
[5]基于脉冲神经网络的人体动作识别[J]. 黄丽鸿,高智勇,刘海华.  现代科学仪器. 2012(02)
[6]分段线性脉冲神经元模型的动力学特性分析[J]. 蔺想红,张田文.  电子学报. 2009(06)
[7]EVENT-DRIVEN SIMULATION OF INTEGRATE-AND-FIRE MODELS WITH SPIKE-FREQUENCY ADAPTATION[J]. Lin Xianghong Zhang Tianwen (School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China).  Journal of Electronics（China）. 2009(01)

博士论文
[1]长时程突触增强或抑制所伴随的树突空间整合特性的双向变化[D]. 王智如.中国科学院研究生院（上海生命科学研究院） 2003

硕士论文
[1]Spiking神经网络及其在图像处理技术上的应用研究[D]. 潘婷.电子科技大学 2015
[2]基于改进液体状态机的手写数字识别技术研究[D]. 刘辉.重庆大学 2016



本文编号：3692313