Resumen

Como nuevo modelo computacional inspirado en el cerebro de las redes neuronales artificiales, las redes neuronales con picos transmiten y procesan información mediante trenes de picos cronometrados con precisión. La construcción de métodos de aprendizaje eficientes es un importante campo de investigación en las redes neuronales con picos. En este artículo, presentamos un algoritmo de aprendizaje supervisado para redes neuronales de espigas multicapa de tipo feedforward; todas las neuronas pueden disparar múltiples espigas en todas las capas. La red feedforward está formada por neuronas de pico gobernadas por un modelo de respuesta de pico de memoria a largo plazo biológicamente plausible, en el que el efecto de los picos anteriores en la refractariedad no se descuida para incorporar los efectos de adaptación. Se emplea el método de descenso de gradiente para derivar la regla de actualización del peso sináptico para el aprendizaje de los trenes de espigas. El algoritmo propuesto se prueba y verifica en problemas de aprendizaje de patrones espacio-temporales, incluyendo un conjunto de tareas de aprendizaje de trenes de espigas y problemas de clasificación de patrones no lineales en cuatro conjuntos de datos UCI. Los resultados de la simulación indican que el algoritmo propuesto puede mejorar la precisión del aprendizaje en comparación con otros algoritmos de aprendizaje supervisado.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal, algoritmo propuesto, métodos de descenso de gradiente, tarea de aprendizaje del tren, campo de investigación significativo, problema de clasificación de patrones, problema de aprendizaje de patrones, algoritmo de aprendizaje supervisado, métodos de aprendizaje eficientes, modelo computacional inspirado
• Keywords:neural network, proposed algorithm, gradient descent methods, train learning task, significant research field, pattern classification problem, pattern learning problem, supervised learning algorithm, efficient learning methods, inspired computational model