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 PDF
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
Read Print
Internet Authorized users SPbPU
Read Print
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
  • 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
  • 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

Detailed usage statistics