具有时变权重模型的高效单层输入输出脉冲神经分类器
神经与进化计算
2019-04-24 v1 机器学习
机器学习
摘要
本文提出一种监督学习算法，即基于突触效能函数与元神经元的学算法（SEF-M），用于具有时变权重模型的脉冲神经网络。对于给定的模式，SEF-M使用从基于元神经元的学习算法推导出的学习算法，确定对应于每个突触前脉冲时刻的权重变化。权重变化调制以相同突触前脉冲时刻为中心的高斯函数的幅度。幅度调制的高斯函数之和表示突触效能函数（或时变权重模型）。SEF-M的性能在来自UCI机器学习库的10个基准数据集上对照最先进的脉冲神经网络学习算法进行了评估。性能研究表明SEF-M具有优越的泛化能力。使用JAFFE数据集对时变权重模型进行了消融研究。消融研究的结果表明，使用时变权重模型替代单一权重模型将分类准确率提高了14%。因此可推断，具有时变权重模型的单层输入输出脉冲神经网络比具有长期或短期权重模型的多层脉冲神经网络计算效率更高。
引用
@article{arxiv.1904.10400,
title = {Efficient single input-output layer spiking neural classifier with time-varying weight model},
author = {Abeegithan Jeyasothy and Savitha Ramasamy and Suresh Sundaram},
journal= {arXiv preprint arXiv:1904.10400},
year = {2019}
}
备注
8 pages, 2 figures