Master's Thesis aus dem Jahr 2011 im Fachbereich Ingenieurwissenschaften - Technische Informatik, Note: 8. 84, Manav Rachna International University, Veranstaltung: Master of Technology (M.
Tech), Sprache: Englisch, Beschreibung: Diese Dissertation stellt eine Einführung in die Computational Neuroscience dar, wobei der Schwerpunkt auf dem Zweig der Computational Neuroscience, den Spiking Neural Networks (SNNs), liegt. SNNs werden auch als neuronale Netze der dritten Generation bezeichnet. Sie haben sich zu einem wichtigen Bereich des Soft Computing entwickelt.
In diesem Artikel sprechen wir über die zeitlichen Eigenschaften von Neuronen und untersuchen ihre Dynamik.
Wir haben eine SNN-Architektur mit Fuzzy-Reasoning-Fähigkeit vorgestellt. Die Selektivität der Neuronen wird durch rezeptive Felder erleichtert, die es einzelnen Neuronen ermöglichen, auf bestimmte Spike-Train-Frequenzen zu reagieren und sich ähnlich wie Fuzzy-Zugehörigkeitsfunktionen zu verhalten.
Das Netz der SNNs besteht aus drei Schichten, nämlich der Eingabe-, der verborgenen und der Ausgabeschicht. Die Topologie dieses Netzwerks basiert auf dem Radialbasis-Netzwerk, das als universeller Approximator betrachtet werden kann. Die Eingabeschicht erhält die Eingabe in Form von Frequenzen, die durch lineare Kodierung die Spikes erzeugen.
Es gibt noch eine andere Methode der Kodierung, die Poisson-Kodierung, die bei großen Datenmengen verwendet wird. Die verborgene Schicht verwendet das rezeptive Feld (RF), um die Eingabe zu verarbeiten, und ist daher frequenzselektiv. Die Ausgabeschicht ist nur für das Lernen zuständig.
Das Lernen basiert auf lokalem Lernen. Das XOR-Klassifikationsproblem wird verwendet, um die Fähigkeiten des Netzwerks zu testen.
Es ergibt sich ein Problem der kontinuierlichen Aktualisierung der Gewichte. Dieses Problem der Gewichtung wird durch die Verwendung von STDP-Fenstern und Fuzzy-Reasoning gelöst. Die Dissertation zeigt, wie es möglich ist, Fuzzy-Reasoning-Fähigkeiten aus biologischen Modellen von Spiking-Neuronen zu gewinnen.
Das Fuzzy Spiking Neural Network implementiert Fuzzy-Regeln durch Konfiguration von rezeptiven Feldern, antezedenter Konjunktion mit exzitatorischen und inhibitorischen Verbindungen und Inferenc.
| ISBN: | 9783656097259 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
