《Spiking神經網路學習算法研究》是依託電子科技大學,由屈鴻擔任醒目負責人的面上項目。
基本介紹
- 中文名：Spiking神經網路學習算法研究
- 依託單位：電子科技大學
- 項目類別：面上項目
- 項目負責人：屈鴻
項目摘要,結題摘要,
項目摘要
神經科學揭示生物神經元學習過程是Correlation-Based，而生物的認知行為通常是Target-Driven。對Spiking神經網路學習算法的研究，目前多數是借鑑生物correlation-based學習特性，缺少對認知行為的模擬，存在不少缺陷，很難用於解決實際工程問題。本課題在分析神經科學、認知科學最新成果基礎上，利用機器學習理論方法，研究Spiking神經網路的學習算法。具體而言，是分析Spiking神經網路時間編碼機制，綜合考慮神經系統Correlation-Based學習特性和認知行為Target-Driven學習常規，利用符合認知行為的監督學習和強化學習策略，研究既具有高度仿生物性能、又符合認知行為規則,有廣泛適用範圍的以目標為嚮導、以目標為驅動、不依賴特定任務和特定輸入輸出的高效Spiking神經網路學習算法。從而使認知科學、神經科學和機器學習達到高度統一。
結題摘要
本課題在神經科學、認知科學最新研究成果基礎上,利用機器學習理論方法,研究Spiking神經網路的學習算法。研究探索既有高度仿生物性能,又符合生物認知行為規則,有廣泛適用範圍的以目標為嚮導、以目標為驅動、不依賴特定任務和特定輸入輸出的高效Spiking神經網路學習算法。本課題研究Spiking神經網路學習算法，完成情況概述如下： （1）通過分析現有Spike-driven算法的局限性，在該領域率先提出Membrane potential-driven的學習策略。Membrane potential-driven學習策略不僅符合生物認知行為規則，而且顯著的提高了Spiking神經網路學習的準確性和高效性。 （2）為了提高Spiking神經網路學習算法的魯棒性，首次引入了動態閾值的權重調整策略。提高了Spiking神經網路學習算法的魯棒性。 （3）利用機器學習的算法，提出一種可以訓練深度spiking神經網路的學習算法。 （4）提出一種基於spiking神經網路的圖像特徵提取方法，並套用於模式識別和人體行為識別。 （5）利用我們建立的具有波傳遞特性的Spiking神經網路，提出一種適合在複雜環境中套用的最短路徑計算方法。 在項目的執行過程中，我們嚴格按照計畫，完全了預定的任務，取得的研究成果總結如下： （1）在國際一流刊物 IEEE Transaction 上發表和錄用學術論文6篇。 （2）發表和錄用科研論文20篇，其中SCI檢索12篇。 （3）項目負責人申請中國技術發明專利7項，其中已授權2項。 （4）通過本課題的研究，我們顯著的提高了Spiking神經網路學習算法的準確性，高效性和魯棒性。其中，學習算法的效率提高了近兩個數量級。 （5） 獲得教育部自然科學獎一等獎。 Spiking神經網路學習方法,是一種與認知科學、神經計算和機器學習相互交叉的前言性研究課題,是對生物認知系統和生物神經系統龐大功能的模擬和探索,能進一步加強人們對大腦如何進行記憶、識別和認知的理解,具有極高的科學意義。
