Details
Title | Модели нейронов в спайковых нейронных сетях: учебное пособие |
---|---|
Creators | Бахшиев Александр Валерьевич |
Organization | Санкт-Петербургский политехнический университет Петра Великого. Институт машиностроения, материалов и транспорта. Высшая школа автоматизации и робототехники |
Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2024 |
Collection | Учебная и учебно-методическая литература; Общая коллекция |
Subjects | Нейронные сети |
UDC | 004.032.26(075.8) |
Document type | Tutorial |
File type | |
Language | Russian |
Speciality code (FGOS) | 02.00.00 |
Speciality group (FGOS) | 020000 - Компьютерные и информационные науки |
DOI | 10.18720/SPBPU/2/i24-273 |
Rights | Доступ по паролю из сети Интернет (чтение, печать) |
Record key | RU\SPSTU\edoc\74527 |
Record create date | 11/20/2024 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Group | Anonymous |
---|---|
Network | Internet |
В учебном пособии рассматриваются вопросы моделирования импульсного (спайкового) нейрона как элемента биоподобных по структуре и функциям спайковых нейронных сетей. Спайковые сети в настоящее время являются одним из активно развивающихся направлений искусственного интеллекта и нацелены на создание нового типа энергоэффективных вычислителей – нейромофрных компьютеров. В пособии детально описаны как наиболее распространенные модели нейрона, такие как пороговый интегратор, модель Ижикевича, так и сегментные модели нейронов. Также рассмотрены основные архитектуры нейронных сетей на спайковых нейронах и общие аспекты их обучения, реализуемые в нейроморфных системах. Приводится обзор программных средств для компьютерного моделирования спайковых нейронов и нейронных сетей, а также рассматриваются основные существующие решения в области их аппаратной реализации. Предназначено для студентов высших учебных заведений в качестве информационно-справочного материала при выполнении научно-исследовательских и выпускных квалификационных работ. Учебное пособие также может быть рекомендовано исследователям и инженерам, интересующимся проблемами искусственного интеллекта в части моделирования нейронов и нейронных сетей.
Network | User group | Action |
---|---|---|
ILC SPbPU Local Network | All |
|
Internet | Authorized users SPbPU |
|
Internet | Anonymous |
|
- СОДЕРЖАНИЕ
- Введение
- 1 Искусственные нейронные сети, глубокое обучение и нейроморфные системы
- 1.1 Искусственные нейронные сети и глубокое обучение
- 1.1.1 Основные понятия
- 1.1.2 Постановка задачи машинного обучения
- 1.1.3 Классификации архитектур искусственных нейронных сетей
- 1.1.4 Применение искусственных нейронных сетей
- 1.2 Спайковые нейронные сети
- 1.3 Нейроморфные системы
- 1.4 Выводы по главе 1
- 1.1 Искусственные нейронные сети и глубокое обучение
- 2 Основные сведения о биологическом нейроне как функциональном элементе нервной системы
- 2.1 Общая структура нейрона
- 2.2 Структура мембраны нейрона
- 2.3 Синапсы
- 2.4 Процессы в нейроне
- 2.5 Процессы в синапсах и на мембране
- 2.6 Возникновение потенциала действия и процессы в аксоне
- 2.7 Выводы по главе 2
- 3 Модели нейрона как элемента спайковой сети
- 3.1 Классификация моделей нейрона
- 3.2 Основные модели синаптической передачи
- 3.2.1 Общее представление о синаптической передаче в нейроморфных системах
- 3.2.2 Модель синапса с мгновенной активацией иэкспоненциальным спадом
- 3.2.3 Представление синапса через альфа-функцию
- 3.2.4 Двухэкспоненциальная модель синапса
- 3.3 Точечные модели нейронов
- 3.3.1 Пороговый интегратор
- 3.3.2 Модель SRM
- 3.3.3 Модель SRM0
- 3.3.4 Модель Ходжкина-Хаксли
- 3.3.5 Модель Ижикевича
- 3.4 Сегментные модели
- 3.4.1 Кабельная теория
- 3.4.2 Компартментные (сегментные) модели
- 3.5 Модель CSNM
- 3.5.1 Общие сведения о модели
- 3.5.2 Версии математического описания модели
- 3.5.3 Структурная схема модели
- 3.5.4 Модель синапса
- 3.5.5 Модель ионного механизма мембраны
- 3.5.6 Модель сегмента мембраны
- 3.5.7 Модель генератора потенциала действия
- 3.6 Сравнительная характеристика моделей нейрона
- 3.7 Выводы по главе 3
- 4 Краткий экскурс в архитектуры и алгоритмы обучения спайковых сетей
- 4.1 Топологии спайковых нейронных сетей
- 4.1.1 Сети прямого распространения
- 4.1.2 Сверточные сети
- 4.1.3 Рекуррентные сети
- 4.1.4 Гибридные сети
- 4.1.5 Сети с нерегулярной топологией и растущие сети
- 4.2 Кодирование информации в спайковых нейронных сетях
- 4.2.1 Схемы кодирования
- 4.2.2 Частотные методы кодирования
- 4.2.3 Временные методы кодирования
- 4.2.4 Прочие методы кодирования
- 4.3 Основные типы алгоритмов обучения
- 4.4 Методы, основанные на локальных правилах
- 4.5 Динамика изменения весов нейрона с пластичными входами
- 4.6 STDP с дискретным изменением веса
- 4.7 STDP с интегральным изменением веса
- 4.8 Вероятностный STDP (Probabilistic-STDP, P-STDP)
- 4.9 Стабильный STDP (Stable-STDP, S-STDP)
- 4.10 Триплет STDP (Triplet-STDP, T-STDP)
- 4.11 Зеркальный STDP (Mirror-STDP, M-STDP)
- 4.12 Сравнение рассмотренных вариантов STDP
- 4.13 Локальное правило обучения модели CSNM
- 4.13.1 Дифференциальная форма записи правила
- 4.13.2 Выражение коэффициентов связей через параметры ожидаемых реакций нейронов сети
- 4.14 Инкрементное обучение
- 4.14.1 Основные понятия
- 4.14.2 Сценарии инкрементного обучения
- 4.14.3 Стратегии решения проблемы катастрофического забывания в нейронных сетях
- 4.15 Выводы по главе 4
- 4.1 Топологии спайковых нейронных сетей
- 5 Программные и аппаратные реализации спайковых сетей
- 5.1 Виды реализаций
- 5.2 Цифровые реализации
- 5.3 Аналоговые реализации
- 5.4 Гибридные реализации
- 5.5 Обзор программных средств моделирования спайковых нейронных сетей
- 5.6 Некоторые экспериментальные исследования эффективности аппаратных реализаций спайковых нейронных сетей
- 5.7 Выводы по главе 5
- Заключение
- Литература
- Список использованных обозначений
Access count: 16
Last 30 days: 2