在受大脑启发的动态神经网络中,适应性树突性可塑性用于增强的多时间尺度特征提取

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能

背景情况:

• 大脑启发的神经网络,特别是尖端神经网络 (SNN),显示出对时间处理的希望.
• 由于静态参数和低精度尖峰,传统的SNN在捕获多时间尺度特征方面面临挑战.

研究的目的:

• 增强SNNs的多时间尺度特征提取能力.
• 为了解决复杂的时间信号处理现有SNN模型的局限性.

主要方法:

• 提出了一个动态的SNN,其中包含一个带有脱漏整合调制的神经元,具有树突异质性 (DH-LIM).
• 引入了适应性树突可塑性 (ADP) 机制,用于动态调整树突时间因子.
• 用连续调制机制取代传统的尖端活动,以保护非线性行为.

主要成果:

• 拟议的DH-LIM神经元模型增强了特征表达,并保留了非线性行为.
• 通过适应输入信号频率,ADP机制可以捕获快速和缓慢的时间模式.
• 广泛的实验表明,在具有丰富时间特征的数据集上表现出色.

结论:

• 开发的具有增强树突异质性的动态SNN提供了改进的多时间尺度特征提取.
• 这种方法为优化SNN提供了新的解决方案,突出了在时间信号处理中的广泛应用潜力.