期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于突触可塑性延迟和时间注意力的脉冲神经网络及其语音识别应用
1
作者 张航铭 白千一 +2 位作者 邓智超 Alexander Sboev 于强 《计算机学报》 2025年第8期1870-1884,共15页
脉冲神经网络(Spiking Neural Networks,SNNs)是一种受大脑启发的计算模型,在处理具有时间和空间维度的数据时具有巨大潜力。研究表明,突触可塑性延迟能够提高SNNs在语音识别等时序任务的性能。然而,时序数据通常具有稀疏性和不均匀性,... 脉冲神经网络(Spiking Neural Networks,SNNs)是一种受大脑启发的计算模型,在处理具有时间和空间维度的数据时具有巨大潜力。研究表明,突触可塑性延迟能够提高SNNs在语音识别等时序任务的性能。然而,时序数据通常具有稀疏性和不均匀性,导致不同时间步中的信息分布存在显著差异。同时,信号中噪声的动态变化进一步加剧了这一问题,使得现有的可塑性延迟方法难以有效捕获关键时间信息,从而限制了模型性能的提升。在这项工作中,我们为可塑性延迟引入了时间注意力机制,通过动态评估各时间步的重要性,进而优化SNNs的性能。具体而言,我们使用扩展卷积来学习延迟和权重。随后,我们在时间维度上利用时间注意力机制动态量化不同时间步的重要性,从而增强模型对关键时间信息的捕获能力。实验结果表明,所提方法在Spiking Heidelberg Digits、Spiking Speech Command和Google Speech Commands数据集上分别取得了96.21%、80.87%和95.60%的精度,相较于传统的可塑性延迟方法有了显著的改进。这一结果验证了我们的方法在处理语音识别任务时的高效性,并为SNNs在处理复杂时序数据中的进一步应用奠定了坚实基础。 展开更多
关键词 类脑计算 脉冲神经网络 突触可塑性延迟 时间注意力 神经形态计算
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部