本文介绍了脉冲神经网络（SNN）的历史，由感知器到SNN的发展，强调SNN在时间编码上的优势。SNN在信息处理、生物神经系统模拟等方面有应用潜力，但由于计算资源限制，大规模应用尚有限。文章还讨论了SNN与非脉冲神经网络的优缺点，以及对浙大类脑芯片的评价，指出其在功能和算法上的局限性。SNN与CNN的区别在于其脉冲编码和胞元自动机特性。
脉冲神经网络的历史
AlanLloydHodgkin和AndrewHuxley在1952年提出了第一个脉冲神经网络模型，这个模型描述了动作电位是怎样产生并传播的。
但是，脉冲并不是在神经元之间直接传播的，它需要在突触间隙间交换一种叫“神经递质”的化学物质。这种生物体的复杂性和可变性导致了许多不同的神经元模型。
从信息论的观点来看，找到一种可以解释脉冲，也就是动作电位的模型是个问题。所以，神经科学的一个基本问题就是确定神经元是否通过时间编码来交流。时间编码表明单一的神经元可以取代上百个S型隐藏层节点。
谷歌人工智能写作项目：爱发猫
脉冲神经网络的简介
脉冲神经网络（SNN-SpikingNeuronNetworks)经常被誉为第三代人工神经网络写作猫。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。
第二代神经网络包括比较广泛，包括应用较多的BP神经网络。但是从本质来讲，这些神经网络都是基于神经脉冲的频率进行编码(ratecoded）。
脉冲神经网络，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑其中。
思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定值才被激活。
当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
