在网络连接损坏的情况下,尖端神经网络的反干扰性能研究
Yongqiang Zhang1, Haijie Pang2, Jinlong Ma2
1School of Communication Engineering, Hangzhou Dianzi University, Hangzhou 310018, China.
Brain sciences
|March 28, 2025
概括
与人工神经网络 (ANN) 相比,尖端神经网络 (SNN) 在受到网络损坏时表现出优越的抗干扰能力. 在信息处理和模式识别方面,SNN保持了更稳定的性能,突出了它们在电磁保护生物学的潜力.
科学领域:
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
- 生物电子学 生物电子学
背景情况:
- 记忆器提供了联合存储和计算,非常适合优化人工智能 (AI) 和神经网络.
- 尖端神经网络 (SNN) 通过突触可塑性表现出对各种干扰的固有抵抗力.
- SNN的抗干扰能力对于推进电磁保护生物学的发展至关重要.
研究的目的:
- 与传统的人工神经网络 (ANN) 相比,构建和评估尖端神经网络 (SNN) 模型.
- 在模拟网络连接损坏的情况下调查SNN和ANN的防干扰性能.
- 使用现实世界和基准数据集来比较VGG-SNN和FCNN-SNN模型的稳定性.
主要方法:
- 开发了两个SNN模型 (VGG-SNN,FCNN-SNN) 使用泄漏整合和火 (LIF) 神经元模型.
- 在训练期间使用修剪算法来模拟网络连接损坏.
- 评估了毫米波雷达人类运动和MNIST数据集的性能,在30%的稀疏度下比较SNN和ANN.
主要成果:
- 在人类运动数据集中,SNN的准确性下降了5.83%,而ANN在30%的稀疏度下下降了18.71%.
- 在MNIST数据集中,SNN的准确性下降了3.91%,而ANN在30%稀疏度下下降了10.13%.
- 与ANN相比,SNN对网络损坏的弹性明显更好.
结论:
- 在同等网络损坏的情况下,SNN比ANN具有明显的防干扰优势.
- 在信息处理和模式识别方面,SNN提供了更稳定和更优异的性能.
- 网络结构,编码和学习算法极大地影响SNN的反干扰性能.
