论文部分内容阅读
人工神经网络的研究起于1943年，大规模的神经网络由数量众多的神经元组成，这些神经元彼此之间相互连接，通过一定的算法可以使其具备认知能力。认知能力是神经网络要解决的中心问题，而识别则是神经网络应具备的基础能力。 传统的人工神经网络，诸如BP(Back-Propagation)、RBF(Radial BasisFunction)、SVM（Support Vector Machine）等神经网络，已经是很成熟的神经网络，它们在识别和认知方面有着大量成熟的算法，而且现在应用得非常广泛，它们可以很好的解决一些模式识别的问题。而被誉为第三代神经网络的脉冲神经网络Spiking Neural Network(SNN)是建立在真实的生物神经元基础之上的。 本文提出了一种动态脉冲响应神经元模型DSRM(Dynamic Spike ResponseModel)，该神经元模型是以SRM(Spike Response Model)模型为基础而改进的，本文基于DSRM神经元模型构建了具有无监督STDP(Spike-Timing DependentPlastistiy)学习方式的脉冲神经网络。通过对脉冲神经网络的训练以及输出层神经元之间的竞争使网络具有识别能力。除此之外，本文还介绍了相变材料的电学特性，并利用其电学特性对STDP学习方式进行了仿真。 本文首先阐述了组成脉冲神经网络的神经元的模型，而后详细介绍了构建脉冲神经网络的算法，并使神经网络对英文字符和二维码分别进行识别。通过无监督STDP学习方式对脉冲神经网络进行训练来达到输入神经元与输出神经元之间权重的收敛，输出神经元之间的竞争采用胜者为王的竞争策略使其与待识别模式建立对应关系，在识别过程中权重并不做更新，这使得识别的过程基本可以达到实时。最终把相变材料电学特性仿真的STDP学习过程添加到DSRM神经元模型中。