摘要
基于脉冲的信息表达被认为是大脑进行稀疏、高效信息处理的基础,但是如何高效地处理和学习离散的脉冲仍然是一个具有挑战的问题.本文受突触延迟在生物可塑性中的重要作用所启发,将突触延迟引入脉冲神经元模型中,基于以发放期望脉冲数目为目标的高效多脉冲学习算法EML提出了两种针对延迟的学习方法:间断和连续延迟学习,其中连续延迟学习解决了间断延迟学习中延迟调整波动大的问题.两种延迟学习方法分别与权重学习结合得到了两种联合突触权重和延迟可塑性的多脉冲学习算法,命名为Discontinuous EML-DL和Continuous EML-DL.本文首先对所提出的两种算法的学习动态特性进行了初步验证;进而,探索了所提出算法在不同的初始设置下的性质,并通过区间选择任务验证了突触权重和延迟联合可塑性的有效性和必要性,实验结果展现了本文方法在高效性的基础之上有效提升了神经元学习的灵活性和选择性;最后,本文构建了基于阈值交叉编码的孤立词识别系统,并在Ti46和TIDIGITS两个语料库上进行了测试,实验结果验证了所提出的两种算法在实际任务上的可行性和有效性.本文的研究成果展现了突触权重与延迟相结合的有效性,提升了多脉冲学习算法的性能,对基于脉冲的神经形态学习与计算有一定参考意义及价值.
- 单位