基于脉冲序列编码的分层脉冲神经网络中逻辑运算的监督学习
神经与进化计算
2014-02-05 v1 神经元与认知
摘要
现有的能够处理多脉冲模式的脉冲神经网络监督训练算法很少，且其计算特性在很大程度上尚未被探索。我们在一组模拟中证明，ReSuMe 学习算法可以成功应用于分层神经网络。输入和输出模式被编码为多个精确定时脉冲的脉冲序列，网络学习将输入序列转换为目标输出序列。这是通过将 ReSuMe 学习算法与下游神经元连接的乘性缩放相结合来实现的。我们特别表明，具有一个隐藏层的分层网络可以学习基本逻辑运算（包括 Exclusive-Or），而没有隐藏层的网络则不能，这反映了速率神经元分层网络的类似结果。尽管脉冲神经网络中的监督学习尚未适用于技术目的，但探索脉冲神经网络的计算特性推进了我们对如何用脉冲序列进行计算的理解。
引用
@article{arxiv.1112.0213,
title = {Supervised Learning of Logical Operations in Layered Spiking Neural Networks with Spike Train Encoding},
author = {André Grüning and Ioana Sporea},
journal= {arXiv preprint arXiv:1112.0213},
year = {2014}
}
备注
15 pages, 4 figures