仿生多层脉冲神经网络从语音信号中提取判别性特征
神经与进化计算
2017-11-23 v1 声音
摘要
脉冲神经网络 (SNN) 凭借其稀疏的、基于脉冲的编码方案，能够实现高能效计算。本文开发了一种仿生 SNN，利用无监督学习从语音信号中提取判别性特征，这些特征随后可用于分类器。该架构由一个脉冲卷积/池化层和随后的一个用于特征发现的全连接脉冲层组成。由漏积分触发 (LIF) 神经元构成的卷积层表示初级声学特征。全连接层配备了概率脉冲时序依赖可塑性学习规则。该层通过概率 LIF 神经元表示判别性特征。为评估所学特征的判别能力，将其用于隐马尔可夫模型 (HMM) 进行口语数字识别。实验结果表明其性能超过 96%，与流行的统计特征提取方法相比表现优异。我们的结果为 SNN 中的无监督特征获取提供了新颖的证明。
引用
@article{arxiv.1706.03170,
title = {Bio-Inspired Multi-Layer Spiking Neural Network Extracts Discriminative Features from Speech Signals},
author = {Amirhossein Tavanaei and Anthony Maida},
journal= {arXiv preprint arXiv:1706.03170},
year = {2017}
}