脈沖神經(jīng)網(wǎng)絡(luò)的多脈沖定時誤差反向傳播算法研究.pdf

1、最近幾年來,隨著多層前饋脈沖神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)研究的快速發(fā)展,越來越多的研究成果表明基于脈沖精確定時編碼的脈沖神經(jīng)網(wǎng)絡(luò)是神經(jīng)系統(tǒng)處理信息的基礎(chǔ)。很多研究者借鑒傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的誤差反向傳播算法,給出了脈沖神經(jīng)網(wǎng)絡(luò)基于梯度下降的學(xué)習(xí)規(guī)則。而且本文旨在解決多層前饋脈沖神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)中的兩個基本問題:(1)如何定義多脈沖誤差函數(shù)以及構(gòu)建脈沖神經(jīng)網(wǎng)絡(luò)多脈沖定時誤差反向傳播算法;(2)如何設(shè)計有效的多脈沖定時信息編碼方法以實現(xiàn)對具體問題求解的脈沖

2、神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)計算模型。
　　本文針對多脈沖精確定時編碼信息的特點,定義了新型的多脈沖誤差函數(shù),并提出了一種新型的基于多脈沖誤差反向傳播的多層前饋脈沖神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法。通過構(gòu)建輸出層和隱含層神經(jīng)元突觸權(quán)值的梯度下降學(xué)習(xí)規(guī)則,實現(xiàn)了脈沖神經(jīng)網(wǎng)絡(luò)突觸權(quán)值的自動調(diào)整。該算法克服了現(xiàn)存學(xué)習(xí)算法中對輸出層神經(jīng)元僅能發(fā)放一個脈沖的限制,可使網(wǎng)絡(luò)中所有層的神經(jīng)元發(fā)放多個脈沖,提高了應(yīng)用脈沖神經(jīng)網(wǎng)絡(luò)解決復(fù)雜問題的能力。
　　本文通過一

3、組模擬實驗展示了多脈沖誤差反向傳播算法在各種學(xué)習(xí)情況下,對一系列學(xué)習(xí)任務(wù)的學(xué)習(xí)能力。首先,通過對單脈沖序列的學(xué)習(xí)驗證了對于給定輸入脈沖序列,脈沖神經(jīng)網(wǎng)絡(luò)能夠訓(xùn)練出一個理想的脈沖序列。其次,通過對多脈沖序列的學(xué)習(xí)展示了脈沖神經(jīng)網(wǎng)絡(luò)能夠有效地學(xué)習(xí)不同的目標(biāo)脈沖序列。最后,多任務(wù)脈沖序列的學(xué)習(xí)顯示了脈沖神經(jīng)網(wǎng)絡(luò)對于不同的輸入模式能夠并行地完成多模式的學(xué)習(xí)。實驗結(jié)果表明了該算法能夠在誤差反向傳播學(xué)習(xí)過程中能夠有效地完成不同的學(xué)習(xí)任務(wù),并實現(xiàn)了對

4、脈沖序列復(fù)雜時空模式的學(xué)習(xí)。
　　本文將多脈沖定時誤差反向傳播算法應(yīng)用到非線性模式分類問題,驗證該算法對非線性模式分類問題的求解能力。首先,結(jié)合線性脈沖序列編碼的特點,分別對FisherIris數(shù)據(jù)集和Wisconsin乳腺癌數(shù)據(jù)集的數(shù)據(jù)進行編碼,使該算法分別在不同學(xué)習(xí)模式下對FisherIris分類以及Wisconsin乳腺癌基準(zhǔn)分類問題進行學(xué)習(xí)。實驗表明多脈沖學(xué)習(xí)的分類準(zhǔn)確率比單脈沖學(xué)習(xí)得到有效地提高。其次,分別對多脈沖神經(jīng)網(wǎng)