【技术实现步骤摘要】
本专利技术涉及的是一种神经网络应用领域的技术，具体是一种基于树突双线性人工神经网络的生物神经元仿真方法。
技术介绍
1、传统的生物神经元动力学仿真方法主要是基于高维偏微分方程组求解，计算代价高，仿真运算时间长；而现有的基于深度神经网络的生物神经元动力学仿真方法未考虑生物神经元的计算特征，训练成本高且无法同时准确预测生物神经元的阈下膜电位和阈上放电时刻这两个生物神经元动力学的关键指标，且模型训练后的参数缺乏可解释性，难以理解各模块的计算作用。
技术实现思路
1、本专利技术针对现有技术无法同时准确预测生物神经元的阈下膜电位和阈上膜电位的不足，提出一种基于树突双线性人工神经网络的生物神经元仿真方法，将树突双线性整合法则与人工神经网络相结合来建立生物神经元的等效模型，训练成本低且对于生物神经元动力学的预测准确率高，能够预测生物神经元的阈下膜电位、放电时刻等特征，并且可以实现与生物神经元相同的如方向选择性，一致性检测、逻辑运算等计算特性。与传统的生物神经元动力学仿真方法相比大大缩短了仿真运算时间，为...
【技术保护点】
1.一种基于树突双线性人工神经网络的生物神经元仿真方法，其特征在于，在离线阶段基于生物神经元树突双线性整合法则构造生物神经元的等效人工神经网络模型，利用神经元精细模型数值模拟数据作为训练集进行训练，在在线阶段采用生物神经元的等效人工神经网络模型实现生物神经元动力学仿真。
2.根据权利要求1所述的基于树突双线性人工神经网络的生物神经元仿真方法，其特征是，所述的树突双线性是指：当生物神经元的树突上通过突触接收到来自外界的输入时，输入信号会传输到神经元的信息处理中心即细胞体进行整合并产生相应的输出，通常大脑中的神经元树突上会时刻接收到来自外界的多个输入而不是单个...
【技术特征摘要】
1.一种基于树突双线性人工神经网络的生物神经元仿真方法，其特征在于，在离线阶段基于生物神经元树突双线性整合法则构造生物神经元的等效人工神经网络模型，利用神经元精细模型数值模拟数据作为训练集进行训练，在在线阶段采用生物神经元的等效人工神经网络模型实现生物神经元动力学仿真。
2.根据权利要求1所述的基于树突双线性人工神经网络的生物神经元仿真方法，其特征是，所述的树突双线性是指：当生物神经元的树突上通过突触接收到来自外界的输入时，输入信号会传输到神经元的信息处理中心即细胞体进行整合并产生相应的输出，通常大脑中的神经元树突上会时刻接收到来自外界的多个输入而不是单个输入，神经元对于多个输入的响应服从双线性的整合形式。
3.根据权利要求1所述的基于树突双线性人工神经网络的生物神经元仿真方法，其特征是，所述的等效人工神经网络模型包括：双指数核函数单元、双线性整合单元以及阈值放电单元，其中：双指数核函数单元根据不同维度的泊松输入序列信息，进行卷积运算处理，得到模型预测的细胞体膜电位对于每个输入维度的响应结果；双线性整合单元根据双线性树突整合法则以及细胞体对于单个输入维度的响应信息，进行整合处理，得到模型预测的细胞体对于多个输入维度的共同响应结果；阈值放电单元根据细胞体膜电位以及人为选择的放电阈值信息，进行放电时刻...
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。