递归脉冲神经网络的监督学习及图像识别研究
本文关键词:递归脉冲神经网络的监督学习及图像识别研究,,由笔耕文化传播整理发布。
【摘要】:近几年来,随着脉冲神经网络及其学习算法研究的快速发展,越来越多的研究结果显示脉冲神经元通过接受、发放脉冲来传输信息和实现功能的工作原理更加接近于真实的生物神经元,基于精确定时的脉冲神经网络成为了神经系统信息处理的有效工具。基于精确定时的脉冲序列编码信息的特点,脉冲神经网络的监督学习目的是通过突触权值的调整使神经网络能够输出脉冲序列,表达特定信息的脉冲序列。基于脉冲精确定时特性的脉冲神经网络拥有更强大的存储和计算机能力,它能够模拟各种神经元信息和任意的连续函数,非常适合于大脑神经信息的处理问题。首先,多数脉冲神经网络学习算法借鉴于人工神经网络中的误差反向传播算法,在此基础上给出了梯度下降的学习规则,提出了一种基于具有反馈的局部递归脉冲神经网络结构的监督学习算法。针对精确定时的脉冲编码,首先定义了多脉冲误差函数。基于梯度下降构建输出层和隐含层,隐含层与递归层神经元之间突触权值的学习规则,实现了递归脉冲神经网络突触权值的自动调整。目前多数基于梯度下降的学习方法只能进行单脉冲的学习,文中分析了其中的原因,构造了适合本文算法的脉冲响应神经元模型,使输出层的神经元能够发放多个脉冲,并且能够用于分类问题。提高了递归脉冲神经网络在解决复杂问题中的应用能力。然后,通过模拟一系列脉冲序列的学习,验证了文中所提递归脉冲神经网络监督学习算法对多种情况脉冲序列的学习能力。在脉冲序列的学习过程中,通过对单脉冲序列的学习,验证了对于给定的输入脉冲序列,递归脉冲神经网络能够训练出一个理想的脉冲序列。接着,通过对多脉冲序列的学习显示了学习一个随机输入脉冲序列模式到多个目标输出脉冲序列的映射的能力。结果显示该算法能够实现脉冲序列复杂时空模式的学习。最后,在多任务脉冲序列的学习过程中展示了该算法对于不同的输入模式能够并行地完成多模式的学习能力。实验结果表明了该递归脉冲神经网络监督学习算法能够有效的完成不同的脉冲序列学习任务,能够实现脉冲序列的复杂时空模式学习。同时,将该算法应用到了对LabelMe图像数据集中部分图像的分类问题,验证了该算法对图像分类问题的求解能力。
【关键词】:递归脉冲神经网络 监督学习 图像分类 梯度下降 相位编码
【学位授予单位】:西北师范大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TP391.41;TP183
【目录】:
- 摘要8-9
- Abstract9-11
- 1 绪论11-21
- 1.1 课题研究的背景及意义11-13
- 1.2 递归脉冲神经网络监督学习的研究现状13-16
- 1.3 基于神经网络的图像识别研究进展16-18
- 1.4 论文的主要研究内容及组织结构18-21
- 1.4.1 论文的主要研究内容18-20
- 1.4.2 论文组织结构20-21
- 2 递归脉冲神经网络的相关理论21-29
- 2.1 递归脉冲神经网络的基本结构21-23
- 2.2 脉冲神经元响应模型23-27
- 2.2.1 Hodgkin-Huxley模型24-25
- 2.2.2 Leaky-integrate-and-Fire模型25
- 2.2.3 脉冲响应模型25-27
- 2.3 脉冲序列的信息编码方法27-28
- 2.3.1 线性编码27
- 2.3.2 Time-To-First-Spike编码27-28
- 2.3.3 相位编码28
- 2.4 本章小结28-29
- 3 递归脉冲神经网络的监督学习算法29-36
- 3.1 递归脉冲神经网络结构29
- 3.2 脉冲响应模型29-30
- 3.3 构造误差函数30-31
- 3.4 递归脉冲神经网络的监督学习算法31-35
- 3.4.1 输出层突触权值的误差梯度计算31-33
- 3.4.2 隐含层突触权值的误差梯度计算33-35
- 3.5 本章小结35-36
- 4 脉冲序列的学习过程分析36-44
- 4.1 多脉冲学习的基本思想36-38
- 4.2 单脉冲序列学习过程38-40
- 4.3 多脉冲序列学习过程40-41
- 4.4 多任务脉冲序列学习过程41-43
- 4.5 本章小结43-44
- 5 基于递归脉冲神经网络的图像识别44-51
- 5.1 图像识别算法及Latency-Phase编码44-46
- 5.2 网络结构和图像编码46-49
- 5.3 LabelMe图像数据集分类及实验结果分析49-50
- 5.4 本章小结50-51
- 6 总结与展望51-53
- 6.1 总结51
- 6.2 研究展望51-53
- 参考文献53-57
- 攻读硕士期间学术成果57-58
- 致谢58
【相似文献】
中国期刊全文数据库 前10条
1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期
2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期
3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期
4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期
5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期
6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期
7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期
8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期
9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期
10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期
中国重要会议论文全文数据库 前10条
1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年
2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集(上册)[C];2003年
3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年
9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
中国重要报纸全文数据库 前10条
1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年
2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年
3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年
4 中国科技大学计算机系 邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年
5 记者 孙刚;“神经网络”:打开复杂工艺“黑箱”[N];解放日报;2007年
6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年
7 健康时报特约记者 张献怀;干细胞移植:修复受损的神经网络[N];健康时报;2006年
8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年
9 ;神经网络和模糊逻辑[N];世界金属导报;2002年
10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年
中国博士学位论文全文数据库 前10条
1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年
2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年
3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年
4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年
5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年
6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年
7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年
8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年
9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年
10 曾U喺
本文编号:287382
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/287382.html