【技术实现步骤摘要】
一种提高联想记忆脉冲神经网络准确度的学习方法
本专利技术属于人工智能
，特别涉及一种提高联想记忆脉冲神经网络准确度的学习方法。
技术介绍
人工智能技术逐渐成熟，并且在各个领域的应用不断增加。现在的人工智能技术都是基于第二代神经网络，即BP神经网络。BP神经网络是基于权值的一种网络，不能进行联想记忆。它们通常是全连接的，接收连续的值，输出连续的值。尽管当代神经网络已经让我们在很多领域中实现了突破，但它们在生物学上是不精确的，其实并不能模仿生物大脑神经元的运作机制。第三代神经网络，即脉冲神经网络(SpikingNeuralNetwork，SNN)，是以仿生神经元为模型的一种基于脉冲发射的一种网络，旨在弥合神经科学和机器学习之间的差距，使用最拟合生物神经元机制的模型来进行计算。脉冲神经网络与目前流行的神经网络和机器学习方法有着根本上的不同。SNN使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉...
【技术保护点】
1.一种提高联想记忆脉冲神经网络准确度的学习方法，所述联想记忆脉冲神经网络的记忆神经网络通过结构训练能够实现联想记忆和回想记忆，其特征在于，通过如下方法进行权值训练以提高记忆神经网络输出的准确率：/n(1)若记忆神经网络不能激发输出神经元，则连接记忆神经网络激发神经元与目标输出神经元，若已有连接，则增大记忆神经网络激发神经元与目标输出神经元之间的权值；/n(2)若输出神经元激发错误，则增大记忆神经网络激发神经元与目标输出神经元之间的权值，减小记忆神经网络激发神经元与其他输出神经元的权值；/n(3)若输出神经元激发正确，则不进行权值调整。/n
【技术特征摘要】
1.一种提高联想记忆脉冲神经网络准确度的学习方法，所述联想记忆脉冲神经网络的记忆神经网络通过结构训练能够实现联想记忆和回想记忆，其特征在于，通过如下方法进行权值训练以提高记忆神经网络输出的准确率：
(1)若记忆神经网络不能激发输出神经元，则连接记忆神经网络激发神经元与目标输出神经元，若已有连接，则增大记忆神经网络激发神经元与目标输出神经元之间的权值；
(2)若输出神经元激发错误，则增大记忆神经网络激发神经元与目标输出神经元之间的权值，减小记忆神经网络激发神经元与其他输出神经元的权值；
(3)若输出神经元激发正确，则不进行权值调整。
2.根据权利要求1所述提高联想记忆脉冲神经网络准确度的学习方法，其特征在于，所述联想记忆脉冲神经网络的输入神经元发射脉冲后激发记忆神经网络神经元，使记忆神经网络神经元拥有包含特征的脉冲，然后进行记忆神经网络结构训练，所述记忆神经网络结构训练的规则如下：输入数据，当记忆神经网络有脉冲以后，对记忆神经网络的神经元进行hebb连接，即在一定时间和空间范围内，若两个神经元都激发，则使其单向相连，由先激发神经元连向后激发神经元。
3.根据权利要求2所述提高联想记忆脉冲神经网络准确度的学习方法，其特征在于，当hebb连接完成后，把记忆神经网络的所有神经元分为主动神经元和被动神经元，只连接其他记忆神经网络神经元而不被其他记忆神经网络神经元相连的神经元称为主动神经元，被其他记忆神经网络神经元相连的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。