Spiking神经网络监督学习算法的研究与应用.pdf

摘要

摘要

人工神经网络是人工智能科学蓬勃发展进程中一个热门的研究领域。脉冲神

经网络是一种基于脉冲时序编码的新兴人工神经网络模型，这种以精确脉冲时间

进行信息表达的方式比传统的频率编码更能准确解释生物大脑的信息处理机制，

且易于硬件实现。但因为脉冲神经网络在信息编码、神经元模型、网络结构等方

面都具有鲜明的自身特点，所以无法直接利用传统神经网络中的算法进行模型训

练。现在，由于综合高效的学习算法的缺失，脉冲神经网络强大的时空信息处理

能力暂时还未得到有效利用，也无法对其进行大规模的推广应用。本文通过对典

型脉冲神经网络典型的监督学习算法进行研究与分析，特别是对基于膜电压驱动

的PBSNLR算法学习机制进行了深入探究，对脉冲神经网络更高效、准确、鲁棒

的监督学习机制进行了探索。论文的主要研究内容和工作如下：

1)提出了一种多参数控制权重调节的Multi-parameterPBSNLR算法。

PBSNLR算法本身属于基于膜电压驱动的算法，所以通过引入膜电压与阈值间的

距离作为权重调节规则的动态参数，可以有效改变算法在训练过程中权重调整幅

度单一带来的问题。经过实验证明，Multi-parameterPBSNLR算法能准确的学习

到目标脉冲信号，而且相较于传统PBSNLR算法而言，具有更高的学习效率。

2)提出了一种全新的动态阈值训练策略和一种鲁棒性更强、准确率更高的

R-Multi-parameterPBSNLR算法。针对PBSNLR算法中存在的目标脉冲时刻附近

的负样本可能被误分类的问题和Multi-parameterPBSNLR算法中阈值下拉可能导

致膜电压积累不足的问题，对noise-threshold策略进行借鉴与改进，提出了一种

在精细步长情况下依然适用的分时间段讨论的动态阈值策略。将改进后的动态阈

值策略与Multi-parameterPBSNLR算法结合提出了R-Multi-parameterPBSNLR算

法。实验表明，R-Multi-parameterPBSNLR算法具有更高的学习效率和准确率。

3)通过将算法应用到经典的光学字符图片识别任务和疾病数据预测任务中，

对比分析了多种典型的脉冲神经网络监督学习算法在真实应用场景中的表现，验

证了R-Multi-parameterPBSNLR在真实应用场景中依然能保持较快的学习效率和

较好的准确率，并且具备一定的抗噪性能，是一种具有高度实用性的监督学习算

法。

关键词：脉冲神经网络，监督学习算法，PBSNLR，权重调节参数，动态阈值

I

ABSTRACT

ABSTRACT

Artificialneuralnetworkisahotresearchfieldinthevigorousdevelopmentof

artificialintelligencescience.Spikeneuralnetworkisanemergingartificialneural

networkmodelbasedonpulsetimingcoding.Thismethodofexpressinginformation

withprecisepulsetimecanexplaintheinformationprocessingmechanismofthe

biologicalbrainmoreaccuratelythantraditionalfrequencycoding,anditiseasyto

implementbyhardware.Butbecausethe