-
题名基于脉冲频率与输入电流关系的SNN训练算法
- 1
-
-
作者
兰浩鑫
陈云华
-
机构
广东工业大学计算机学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第10期87-92,共6页
-
基金
广东省自然科学基金(2021A1515012233)。
-
文摘
脉冲神经网络(spiking neural network,SNN)以异步事件驱动,支持大规模并行计算,在改善同步模拟神经网络的计算效率方面具有巨大潜力。然而,目前SNN仍然面临无法直接训练的难题,为此,受到神经科学领域关于LIF(leaky integrate-and-fire)神经元响应机制研究启发,提出了一种新的基于频率编码的SNN训练算法。通过仿真实验对LIF神经元发放脉冲频率进行建模,得到LIF神经元脉冲频率与输入电流之间显示表达关系,并将其导数作为梯度,解决了SNN训练过程中离散脉冲事件产生的不可微性问题,使得可利用BP算法对SNN进行训练。现有基于频率编码的方法采用时间信用分配机制进行参数更新,通常具有较差的学习效率,为此,采用LIF神经元响应机制更新网络参数,提高了学习效率。在MNIST和CIFAR10数据集上的实验结果验证了所提方法的有效性,分类精度分别达到了99.53%和89.46%,在CIFAR10数据上的识别精度相较于先前研究者提高了4.22个百分点,在学习效率方面相较于先前采用时间信用分配方法提高了一倍左右。
-
关键词
脉冲神经网络(SNN)
反向传播算法
LIF神经元
脉冲频率
神经形态类脑计算
-
Keywords
spiking neural network(SNN)
backpropagation algorithm
LIF neuron
spike rate
neuromorphic brain-like computing
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
