脉冲神经网络识别minist数据集

SNN脉冲神经网络中integrate-and-fire neuron神经元仿真测试

SNN脉冲神经网络中的IF神经元脉冲仿真.matlab2021a运行测试仿真 dt = 0.1; %time step [ms] Detat t_time =100; %total time of run [ms] V_th =10; %spike threshold [mV] V0= 1; %resting membrane potential [mV] R_m =10; %membrane resistance [MOhm] tau =10; %membrane time constant [ms] V_res =1; %value to reset voltage to after a spike [mV] t_ref=0; %refractory time constant [ms]

基于FPGA的脉冲神经网络加速器设计

脉冲神经网络是目前最具有生物解释性的人工神经网络,是类脑智能领域的核心组成部分.首先介绍各类常用的脉冲神经元模型以及前馈和循环型脉冲神经网络结构;然后介绍脉冲神经网络的时间编码方式,在此基础上,系统地介绍脉冲神经网络的学习算法,包括无监督学习和监督学习算法,其中监督学习算法按照梯度下降算法、结合STDP规则的算法和基于脉冲序列卷积核的算法3大类别分别展开详细介绍和总结;接着列举脉冲神经网络在控制领域、模式识别领域和类脑智能研究领域的应用,并在此基础上介绍各国脑计划中,脉冲神经网络与神经形态处理器相结合的案例;最后分析脉冲神经网络目前所存在的困难和挑战.

尖峰时序相关构造是一种算法，旨在根据 Hebbian 尖峰时序相关可塑性 (STDP) 下的适应，从初始神经元群“生长”尖峰网络。 STDP 模拟生物神经网络适应，是根据突触前和突触后神经元尖峰的相对时间进行突触功效适应的过程。 当突触前神经元在突触后神经元出现尖峰之前立即出现尖峰时，不对称 Hebbian STDP 会产生兴奋性突触强度的增加。 这种构造性算法将 STDP 与模拟神经元作为与外部神经元连接的更大神经系统中的一个子群存在的假设相结合。 如果最近活跃的输入神经元集没有具有等效连接的关联模拟神经元，则假设存在具有这些连接的外部神经元并产生尖峰信号。 在 Hebbian STDP 下，这会导致与外部神经元的连接加强，并与最近活跃的输入神经元形成功能关联。 这个外部神经元与一组活动输入神经元相连，然后被添加到模拟神经元中。 该模拟已被开发作为应用于随机二维神经元场的尖峰时序相

曾经整理的脉冲神经网络资料

根据模拟生物大脑视觉皮层神经网络的活动而建立的第三代人工脉冲神经网络(SNN),讨论了基于电导率的IF神经元模型(integrate-and-fire neuron model),并将该神经网络应用于白血病骨髓图像的边缘检测。实验结果表明,基于SNN的边缘检测可以实现对白血病骨髓图像的有效分割。设置的开火阈值越小,能显示出越多的细节信息。

基于脉冲神经网络的类脑计算.pdf

脉冲神经网络专利技术分析.pdf