傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與脈沖神經(jīng)網(wǎng)絡(luò)之間的性能比較研究.pdf

1、分類方法是人工智能的重要領(lǐng)域之一。有許多分類模型可應(yīng)用于此領(lǐng)域，而最著名的一種就是多層前饋神經(jīng)網(wǎng)絡(luò)。眾有所知，反向傳播是可以區(qū)分給定輸入轉(zhuǎn)為期望輸入的優(yōu)秀分類器。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對于許多領(lǐng)域的分類表現(xiàn)優(yōu)秀，例如醫(yī)學、科學、工程學和商業(yè)等領(lǐng)域。不過，反向傳播神經(jīng)網(wǎng)絡(luò)仍然不能完全處理所有類型的數(shù)據(jù)，尤其是時態(tài)數(shù)據(jù)。
　　近十幾年來，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入發(fā)展。為了處理時態(tài)數(shù)據(jù)，研究者們構(gòu)建了新一代神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)被稱為“脈沖神經(jīng)網(wǎng)

2、絡(luò)(SNN- Spiking Neural Network)”。脈沖神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更接近地模仿生物神經(jīng)元。脈沖神經(jīng)網(wǎng)絡(luò)算法誕生于反向傳播算法，這種新算法被稱為脈沖傳播SpikeProp算法。不管怎樣，在理論上它已經(jīng)試驗并成功解決了XOR問題，但它還未經(jīng)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)處理過的現(xiàn)實數(shù)據(jù)廣泛試驗。所以為了能通用地將脈沖神經(jīng)網(wǎng)絡(luò)用于任何數(shù)據(jù)，本論文研究比較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與脈沖神經(jīng)網(wǎng)絡(luò)之間的適宜性能。
　　兩者的性能比較采用誤差平方和與