一种学习从语音信号中提取脉冲签名的脉冲网络

具有自适应突触的脉冲神经网络（SNNs）反映了生物神经网络的核心特性。语音识别作为一项涉及音频编码和动态学习的应用，为研究 SNN 的功能提供了一个良好的测试问题。我们提出一种简单、新颖且高效的非递归 SNN，它学习将语音信号转换为脉冲序列签名。该签名可与其他代表不同词语的语音信号的签名区分开来，从而在仅使用脉冲神经元的设备中实现数字识别和判别。该方法使用一个由配备脉冲时序依赖可塑性（STDP）和生物真实突触的 Izhikevich 神经元组成的小型非递归 SNN。这种方法引入了一个无需误差反馈训练的高效快速网络，尽管它确实需要监督训练。新的仿真结果为口语数字生成了具有区分性的脉冲序列模式，其中高度相关的脉冲序列属于同一类别，而低相关模式属于不同类别。所提出的 SNN 在一个口语数字识别任务上进行了评估，使用了 Aurora 语音数据集的一个子集。实验结果表明，该网络在准确率和复杂度方面表现良好。