循环自组织脉冲神经网络中基于脉冲时序依赖的竞争学习案例研究：音素与单词识别
计算机视觉与模式识别
2012-09-25 v1 人工智能
神经元与认知
摘要
突触可塑性似乎是神经网络动力学的一个重要方面。它涉及突触的生理学改变，其结果是突触权重值的变化。信息编码基于单个脉冲事件的精确时序，该时序基于突触前和突触后脉冲的相对时序、单个神经元内的局部突触竞争以及通过侧向连接的全局竞争。为了对时间序列进行分类，我们在本文中介绍了如何使用局部赫布学习、脉冲时序依赖可塑性进行无监督竞争学习，并保持脉冲神经元的自组织映射。事实上，我们提出了三种具有脉冲时序依赖赫布学习规则的自组织映射（SOM）变体：漏积分神经元（LIN）、Spiking_SOM 和循环 Spiking_SOM（RSSOM）模型。所提出的 SOM 变体的案例研究是连续语音且非特定说话人条件下的音素分类和单词识别。
引用
@article{arxiv.1209.5245,
title = {Spike Timing Dependent Competitive Learning in Recurrent Self Organizing Pulsed Neural Networks Case Study: Phoneme and Word Recognition},
author = {Tarek Behi and Najet Arous and Noureddine Ellouze},
journal= {arXiv preprint arXiv:1209.5245},
year = {2012}
}
备注
10 pages, 15 tables