Детальная информация

Данная работа посвящена разработке и исследованию алгоритма инкрементного обучения сегментной спайковой модели нейрона для решения задачи классификации. Задачи, которые решались в ходе исследования: 1) исследование методов и подходов к реализации инкрементного обучения спайковых нейронных сетей; 2) разработка алгоритма инкрементного обучения для сегментной спайковой модели нейрона; 3) реализация алгоритма обучения на языке Python; 4) экспериментальное исследование алгоритма обучения при решении задачи классификации. В результате предложен алгоритм инкрементного обучения для спайковых нейронных сетей, построенных на сегментной спайковой модели нейрона. Реализованный алгоритм позволяет модели адаптироваться к новым данным, сохраняя при этом знания, полученные на предыдущих этапах обучения. Экспериментальные результаты показали, что предложенный алгоритм эффективно решает задачу классификации, минимизируя проблему катастрофического забывания. Дальнейшие исследования могут быть направлены на оптимизацию разработанного алгоритма и его применение в различных областях, таких как робототехника и системы автономного управления.

This work is dedicated to the development and research of an incremental learning algorithm for the compartmental spiking neuron model to solve the classification problem. The tasks addressed during the research are: 1) investigation of methods and approaches for implementing incremental learning in spiking neural networks; 2) development of an incremental learning algorithm for the compartmental spiking neuron model; 3) implementation of the learning algorithm in Python; 4) experimental investigation of the learning algorithm in solving the classification problem. As a result, an incremental learning algorithm for spiking neural networks, based on the compartmental spiking neuron model, was proposed. The implemented algorithm allows the model to adapt to new data while retaining knowledge from previous learning stages. Experimental results showed that the proposed algorithm effectively solves the classification problem, minimizing the issue of catastrophic forgetting. Future research may focus on optimizing the developed algorithm and applying it in various fields, such as robotics and autonomous control systems.