Resumen

Elucidamos la implementación práctica de la Red Neural de Disparo (SNN, por sus siglas en inglés) como conjuntos locales de clasificadores. La constante de tiempo sináptica se utiliza como parámetro de aprendizaje para representar las variaciones aprendidas de un conjunto de datos de entrenamiento a nivel de clasificador. Este clasificador utiliza la estrategia de detección de coincidencias (CD) entrenada de manera supervisada utilizando un nuevo método de aprendizaje supervisado llamado Predicción, que ajusta el tiempo preciso de los disparos de salida hacia el tiempo de disparo deseado a través de la adaptación iterativa de. Este artículo también discute la aproximación del tiempo de disparo en el Modelo de Respuesta de Disparo (SRM) con el propósito de detección de coincidencias. Este proceso acelera significativamente todo el proceso de aprendizaje y clasificación. Las evaluaciones de rendimiento con conjuntos de datos faciales como AR, FERET, JAFFE y CK+ muestran que el método propuesto ofrece un mejor rendimiento de clasificación facial que la

• Materias:Algoritmo de búsqueda Características infrarrojas Retraso difuso Efecto de termoforesis Interpolación
• Subjects:Search algorithm Infrared features Fuzzy delay Thermophoresis effect Interpolation
• Palabras claves:Implementación; Red neuronal de disparo; Constante de tiempo sináptica; Detección de coincidencias; Aprendizaje supervisado; Sincronización de disparos
• Keywords:Implementation; Spiking neural network; Synaptic time constant; Coincidence detection; Supervised learning; Spike timing