典型文献
基于脉冲频率与输入电流关系的SNN训练算法
文献摘要：
脉冲神经网络(spiking neural network,SNN)以异步事件驱动,支持大规模并行计算,在改善同步模拟神经网络的计算效率方面具有巨大潜力.然而,目前SNN仍然面临无法直接训练的难题,为此,受到神经科学领域关于LIF(leaky integrate-and-fire)神经元响应机制研究启发,提出了一种新的基于频率编码的SNN训练算法.通过仿真实验对LIF神经元发放脉冲频率进行建模,得到LIF神经元脉冲频率与输入电流之间显示表达关系,并将其导数作为梯度,解决了SNN训练过程中离散脉冲事件产生的不可微性问题,使得可利用BP算法对SNN进行训练.现有基于频率编码的方法采用时间信用分配机制进行参数更新,通常具有较差的学习效率,为此,采用LIF神经元响应机制更新网络参数,提高了学习效率.在MNIST和CIFAR10数据集上的实验结果验证了所提方法的有效性,分类精度分别达到了99.53％和89.46％,在CIFAR10数据上的识别精度相较于先前研究者提高了4.22个百分点,在学习效率方面相较于先前采用时间信用分配方法提高了一倍左右.
文献关键词：
脉冲神经网络(SNN);反向传播算法;LIF神经元;脉冲频率;神经形态类脑计算
中图分类号：
作者姓名：
兰浩鑫;陈云华
作者机构：
广东工业大学 计算机学院,广州 510006
文献出处：
引用格式：
[1]兰浩鑫;陈云华-.基于脉冲频率与输入电流关系的SNN训练算法)[J].计算机工程与应用,2022(10):87-92
A类：
信用分配,神经形态类脑计算
B类：
脉冲频率,输入电流,SNN,训练算法,脉冲神经网络,spiking,neural,network,异步,事件驱动,大规模并行计算,拟神,计算效率,巨大潜力,神经科学,科学领域,LIF,leaky,integrate,fire,神经元响应,响应机制,表达关系,导数,训练过程,可微性,分配机制,参数更新,学习效率,新网,网络参数,MNIST,CIFAR10,分类精度,识别精度,先前,百分点,分配方法,一倍,反向传播算法
AB值：
0.361287
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
