脉冲神经网络的算法与实现研究

发布时间：2021-01-02 09:22

　　深度学习在图像识别、语音识别、自然语言处理等任务上均获得了优异的结果,但是深度学习利用连续的实值在神经元之间进行通信,且使用反向传播算法学习权重,并不具有生物合理性,且能耗过高。而脉冲神经网络模型则是受大脑启发,神经元之间使用脉冲通信,表现出了替代深度学习的潜力。然而,脉冲神经网络的研究仍处于初级阶段,性能上暂无法与深度学习相提并论,且缺乏较为成熟的编程框架。因此,本文探索了脉冲神经网络的算法与实现,提出了一种灵活高效的脉冲神经网络实现方法,以及一种全新的针对语音识别任务的脉冲神经网络模型。本文首先介绍了脉冲神经网络的研究现状、现有模型以及相关实验。然后,对比并测评了脉冲神经网络的不同编程框架,并提出了一种利用NumPy/PyCUDA实现脉冲神经网络的新方法。最后,本文提出了一种卷积脉冲神经网络模型,利用突触可塑性作为学习规则完成语音识别的任务,并达到与传统方法相当的性能。 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

不同的神经编码Fig.2-1Differentneuralcodingschemes

图 2-2 使用 STDP 无监督学习的浅层脉冲神经网络结构Fig.2-2 Shallow spiking neural network unsupervisedly learned by STD用 400 个神经元，达到 90% 左右的准确率，如图 2-3所示。，模型的准确率开始收敛到 90%。与此同时，权重的方差增

准确率收敛曲线


本文编号：2953103