科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高Spiking神经网络的训练能力，以多标签分类问题作为研究切入点，采用蜂群算法进行模型优化。基于Spiking理念的神经网络模型有多种，文中选择概率Spiking神经网络(Probabilistic Spiking Neural Network, PSNN)进行多标签分类。首先，建立概率Spiking神经网络分类模型，通过点火时间序列进行编码，触发脉冲响应实现数据传递；然后，利用Spiking神经网络的权重、动态阈值、遗忘参数等构建蜂群，并以多标签分类准确率作为人工蜂群(Artificial Bee Colony, ABC)算法的适应度函数，从而通过不断更新蜂群个体适应度值来获得最优个体；最后，以最优参数完成概率Spiking神经网络的多标签分类。实验结果表明，通过合理设置蜂群个体规模及蜜源搜索范围，ABC-PSNN算法能够获得较高的多标签分类准确率。相比其他Spiking神经网络模型和常用多标签分类算法，ABC-PSNN算法具备更高的分类准确率和稳定性。
- 单位
