Тема выпускной квалификационной работы: «Разработка алгоритма структурного обучения сегментной спайкововой модели нейрона для решения задачи классификации».Данная работа посвящена разработке алгоритма структурного обучения сегментной спайковой модели нейрона для применения модели в решении задач инкрементного обучения. Задачи, которые решались в ходе исследования:Исследование сценариев и подходов к реализации инкрементного обучения сегментной спайковой модели нейрона.Разработка алгоритма обучения сегментной спайковой модели нейрона.Реализация алгоритма обучения в программной платформе для моделирования сетей на базе сегментной спайковой модели нейрона.Экспериментальное исследование алгоритма обучения при решении задачи классификации.В результате предложены варианты реализации инкрементного обучения нейронных сетей, построенных на сегментной спайковой модели нейрона. Реализован алгоритм структурного обучения сегментной спайковой модели нейрона, позволяющий обучать модель новым обучающим данным из состояния, полученного после изучения предыдущих обучающих данных. Алгоритм даёт возможность обучать сегментную спайковую модель нейрона более чем одному обучающему примеру. Дальнейшие исследования могут быть направлены на применение разработанного алгоритма для решения задач инкрементного обучения.

The subject of the graduate qualification work is “Development of the structural learning algorithm for a compartmental spiking neuron model for classification”.The given work is devoted to development of a structural learning algorithm for a compartmental spiking neuron model for application in incremental learning tasks. The research set the following goals:Research of scenarios and approaches to the implementation of incremental learning of a compartmental spiking neuron model.Development of the learning algorithm for a compartmental spiking neuron model.Implementation of the learning algorithm in a software platform for modeling neural networks based on a compartmental spiking neuron model.Experimental research of the learning algorithm for classification.The study resulted into options for implementing incremental learning of neural networks based on a compartmental spiking neuron model are proposed. The implemented structural learning algorithm for a compartmental spiking neuron model makes it possible to train the model with new training data from the state obtained after studying the previous training data. The algorithm makes it possible to train compartmental spiking neuron model with more than one training example. Further research can be directed to the application of the developed algorithm for solving problems of incremental learning.

• РЕФЕРАТ
• ABSTRACT
• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• 1 Исследование сценариев и подходов к реализации инкрементного обучения сегментной спайковой модели нейрона для решения задачи классификации
  • 1.1 Инкрементное обучение
  • 1.2 Сценарии инкрементного обучения
  • 1.3 Стратегии решения проблемы катастрофического забывания
  • 1.4 Выбор способа реализации инкрементного обучения сегментной спайковой модели нейрона
  • 1.5 Выводы по главе 1
• 2 Решение задачи классификации сегментной спайковой моделью нейрона
  • 2.1 Постановка задачи классификации
  • 2.2 Подготовка обучающей выборки
  • 2.3 Проектирование нейронной сети
  • 2.4 Обучение сегментной спайковой модели нейрона
    • 2.4.1 Сегментная спайковая модель нейрона
    • 2.4.2 Алгоритм структурного обучения модели нейрона
  • 2.5 Оценка качества работы нейронной сети при решении задачи классификации
  • 2.6 Выводы по главе 2
• 3 Реализация алгоритма обучения сегментной спайковой модели нейрона
  • 3.1 Алгоритм структурного обучения для обучения из произвольного состояния нейрона
  • 3.2 Программная реализация алгоритма
  • 3.3 Выводы по главе 3
• 4 Экспериментальное исследование алгоритма
  • 4.1 Программа экспериментов
  • 4.2 Тестирование корректности обучения из исходного состояния нейрона
  • 4.3 Тестирование корректности обучения из произвольного состояния нейрона
  • 4.4 Сравнение времени работы алгоритмов обучения при обучении из исходного состояния нейрона
  • 4.5 Сравнение результатов распознавания при разных алгоритмах обучения
  • 4.6 Обучение нейрона двум примерам
  • 4.7 Выводы по главе 4
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А. Протокол тестирования корректности обучения из исходного состояния нейрона
• ПРИЛОЖЕНИЕ Б. Протокол тестирования корректности обучения из произвольного состояния нейрона
• ПРИЛОЖЕНИЕ В. Протокол эксперимента на обучение нейрона двум примерам