Resumen

Una red de neuronas de pico codifica la información en la sincronización de los tiempos de pico individuales. Se deriva una nueva regla de aprendizaje supervisado para SpikeProp para superar las discontinuidades introducidas por el umbral de espigas. Este algoritmo se basa en una regla de aprendizaje de retropropagación de error adecuada para el aprendizaje supervisado de las neuronas de pico que utilizan la codificación exacta del tiempo de pico. SpikeProp es capaz de demostrar las neuronas con pico que pueden realizar la clasificación no lineal compleja en la codificación temporal rápida. Este estudio propone mejoras del algoritmo de aprendizaje SpikeProp para el entrenamiento supervisado de las redes de spiking que pueden tratar con patrones complejos. Los métodos propuestos incluyen la optimización de enjambre de partículas (PSO) de SpikeProp y la tasa de aprendizaje de dependencia impulsada por el ángulo. Estos métodos se presentan a la red SpikeProp para la mejora del aprendizaje multicapa y la optimización de los pesos. Los patrones de entrada y salida se codifican como trenes de espigas de espigas sincronizadas con precisión, y la red aprende a transformar los trenes de entrada en trenes de salida objetivo. Con estas mejoras, nuestros métodos propuestos superaron a otras arquitecturas de redes neuronales convencionales.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:spikeprop, métodos, optimización de enjambre de partículas spikeprop, codificación temporal exacta de los picos, otras arquitecturas de redes neuronales convencionales, regla de aprendizaje de retropropagación, clasificación no lineal compleja, tasa de aprendizaje de dependencia, codificación temporal rápida, tiempos de pico individuales
• Keywords:spikeprop, methods, spikeprop particle swarm optimization, exact spike time coding, other conventional neural network architectures, backpropagation learning rule, complex nonlinear classification, dependency learning rate, fast temporal coding, individual spike times