Применение сегментной спайковой модели нейрона со структурной адаптацией для решения задач классификации

Обложка

Цитировать

Полный текст

Аннотация

Рассматриваются варианты применения сегментной спайковой модели нейрона с возможностью структурной адаптации для решения задач классификации. Проводится анализ современного состояния спайковых нейронных сетей. Делается вывод о крайне низком количестве работ по исследованию сегментных моделей нейрона. В качестве модели нейрона для данной работы обосновывается выбор сегментной спайковой модели. Приводится краткое описание такой модели, отмечены её основные особенности, позволяющие производить её структурное реконфигурирование. Описывается способ структурной адаптации модели ко входному паттерну импульсов. Приводится общая схема организации сегментных спайковых нейронов в сеть для решения задачи классификации. В качестве кодирования числовой информации в паттерны импульсов выбирается временное кодирование. Приводятся краткие результаты экспериментов по решению задачи классификации на общедоступных наборах данных (Iris, MNIST). Делается вывод о сопоставимости полученных результатов с результатами, полученными классическими методами. Кроме того, приводится подробное пошаговое описание экспериментов по определению состояния телеуправляемого необитаемого подводного аппарата: определение расстояния такого аппарата до дна и определение характера его движения. Показано соответствие полученных результатов реальному состоянию телеуправляемого необитаемого подводного аппарата. Сделан вывод о перспективности применения спайковых сегментных моделей нейрона с возможностью структурной адаптации при решении задач классификации. Рассмотрены дальнейшие перспективные продолжения исследований основанных на сегментных спайковых моделях нейрона.

Об авторах

А. М Корсаков

Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК)

Email: anton_korsakov@mail.ru
Тихорецкий проспект 21

Л. А Астапова

Санкт-Петербургский политехнический университет Петра Великого (СПбПУ)

Email: astapova.la@yandex.ru
улица Политехническая 29

А. В Бахшиев

Санкт-Петербургский политехнический университет Петра Великого (СПбПУ)

Email: palexab@gmail.com
Политехническая улица 29

Список литературы

  1. Prieto A. et al. Neural networks: An overview of early research, current frameworks and new challenges // Neurocomputing. 2016. vol. 214. pp. 242–268.
  2. Haykin S.S. Neural networks and learning machines // Harlow: Pearson Education. 2009. 934 p.
  3. Walter F., Röhrbein F., Knoll A. Computation by time // Neural Processing Letters. 2016. vol. 44. no. 1. pp. 103–124.
  4. Gerstner W., Kistler W.M. Spiking neuron models: Single neurons, populations, plasticity // Cambridge: Cambridge University Press. 2002. 496 p.
  5. Izhikevich E.M. Which model to use for cortical spiking neurons // IEEE Transactions on Neural Networks. 2003. vol. 14. pp. 1569–1572.
  6. Lin X., Zhang T. Dynamical properties of piecewise linear spiking neuron model // Tien Tzu Hsueh Pao/Acta Electronica Sinica. 2009. vol. 37. no. 6. pp. 1270–1276.
  7. Ghosh-Dastidar S., Adeli H. Spiking neural networks // International Journal of Neural Systems. 2009. vol. 19. no. 4. pp. 295–308.
  8. Maass W. Lower bounds for the computational power of networks of spiking neurons // Neural computation. 1996. vol. 8. no. 1. pp. 1–40.
  9. Kulkarni S.R., Rajendran B. Spiking neural networks for handwritten digit recognition—Supervised learning and network optimization // Neural Networks. 2018. vol. 103. pp. 118–127.
  10. Almási A.D. et al. Review of advances in neural networks: Neural design technology stack // Neurocomputing. 2016. vol. 174. pp. 31–41.
  11. Denève S., Alemi A., Bourdoukan R. The brain as an efficient and robust adaptive learner // Neuron. 2017. vol. 94. no. 5. pp. 969–977.
  12. Glaser J.I. et al. The roles of supervised machine learning in systems neuroscience // Progress in neurobiology. 2019. vol. 175. pp. 126–137.
  13. Rummelhart, D.E. Learning representations by back-propagating errors // Nature. 1986. vol. 323. no. 9. pp. 533–536.
  14. Lin X. et al. Supervised learning algorithms for spiking neural networks: a review // Acta electonica sinica. 2015. vol. 43. no. 3. pp. 577.
  15. Wang X., Lin X., Dang X. Supervised learning in spiking neural networks: A review of algorithms and evaluations // Neural Networks. 2020. vol. 125. pp. 258–280.
  16. Lobo J.L. et al. Spiking neural networks and online learning: An overview and perspectives // Neural Networks. 2020. vol. 121. pp. 88–100.
  17. Kasabov N. et al. Dynamic evolving spiking neural networks for on-line spatio-and spectro-temporal pattern recognition // Neural Networks. 2013. vol. 41. pp. 188–201.
  18. Kasabov N. Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence // Berlin: Springer-Nature. 2018. 738 p.
  19. Khan G.M., Miller J.F. In search of intelligence: evoling a develop-mental neuron capable of learning // Connection Science. 2014. vol. 26. no. 4. pp. 297–333.
  20. Bakhshiev A.V., Gundelakh F.V. Mathematical Model of the Impulses Transformation Processes in Natural Neurons for Biologically Inspired Control Systems Development // CEUR Workshop Proceedings. 2015. vol. 1452. pp. 1–12.
  21. Bakhshiev A., Demcheva A., Stankevich L. CSNM: The Compartmental Spiking Neuron Model for Developing Neuromorphic Information Processing Systems // International Conference on Neuroinformatics. 2021. pp. 327–333.
  22. Бахшиев A.В., Корсаков А.М., Астапова Л.А, Станкевич Л.А. Структурная адаптация сегментной спайковой модели нейрона // Нелинейная динамика в когнитивных исследованиях - 2021 : Труды VII Всероссийской конференции, Нижний Новгород, 20–24 сентября 2021 года. 2021. С. 30–33.
  23. Park S. et al. T2FSNN: deep spiking neural networks with time-to-first-spike coding // 2020 57th ACM/IEEE Design Automation Conference (DAC). 2020. pp. 1–6.
  24. Lin P. et al. SpikeCD: a parameter-insensitive spiking neural network with clustering degeneracy strategy // Neural Computing and Applications. 2019. vol. 31. no. 8. pp. 3933–3945.
  25. UCI Machine Learning Repository: Iris Data Set [Electronic resource]. URL: https://archive.ics.uci.edu/ml/datasets/iris (дата обращения: 22.04.2021).
  26. Astapova L. A. et al. Compartmental spiking neuron model for pattern classification // Journal of Physics: Conference Series. 2021. vol. 2094. no. 3. pp. 032032.
  27. MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges [Electronic resource]. URL: http://yann.lecun.com/exdb/mnist/ (дата обращения: 12.10.2021).
  28. Щур Н.A., Половко С.А., Деулин А.A. Применение методов вычислительной гидродинамики для получения характеристик переходных процессов АНПА // Робототехника и техническая кибернетика. 2020. Т. 8. №4. С. 287–295.
  29. Горюнов В.В., Половко С.А., Щур Н.A. Разработка схемотехнического решения и конструкции емкостной матрицы датчиков давления для применения в робототехнике // Робототехника и техническая кибернетика. 2020. Т. 8. №4. С. 308–318.
  30. Bakhshiev A.V. et al. The architecture of a software platform for growing spiking neural networks simulator developing // Journal of Physics: Conference Series. 2020. vol. 1679. no. 4. pp. 042001.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).