ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب A Criterion for the Convergence of Learning with Spike Timing Dependent Plasticity

دانلود کتاب معیاری برای همگرایی یادگیری با انعطاف پذیری وابسته به زمان سنبله

A Criterion for the Convergence of Learning with Spike Timing Dependent Plasticity

مشخصات کتاب

A Criterion for the Convergence of Learning with Spike Timing Dependent Plasticity

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: ,   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 8 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 190 کیلوبایت 

قیمت کتاب (تومان) : 38,000



کلمات کلیدی مربوط به کتاب معیاری برای همگرایی یادگیری با انعطاف پذیری وابسته به زمان سنبله: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب A Criterion for the Convergence of Learning with Spike Timing Dependent Plasticity به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب معیاری برای همگرایی یادگیری با انعطاف پذیری وابسته به زمان سنبله نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب معیاری برای همگرایی یادگیری با انعطاف پذیری وابسته به زمان سنبله

ما بررسی می‌کنیم که تحت چه شرایطی یک نورون می‌تواند با قوانین پشتیبانی شده تجربی برای انعطاف‌پذیری وابسته به زمان سنبله (STDP) یاد بگیرد تا زمان رسیدن ورودی‌های معلم قوی به همان نورون را پیش‌بینی کند. به نظر می رسد که برخلاف قضیه معروف همگرایی پرسپترون، که همگرایی قاعده یادگیری پرسپترون را برای یک مدل نورونی به شدت ساده شده پیش بینی می کند، هر زمان که یک راه حل پایدار وجود داشته باشد، هیچ تضمین همگرایی به همان اندازه قوی را نمی توان برای نورون های اسپک با STDP ارائه کرد. اما ما معیاری را بر روی ساختار وابستگی آماری قطارهای سنبله ورودی استخراج می‌کنیم که دقیقاً زمانی که یادگیری با STDP به طور متوسط ​​برای یک مدل ساده از یک نورون اسپک‌کننده همگرا می‌شود، مورد حمله قرار می‌گیرد.
این معیار یادآور معیار جدایی‌پذیری خطی Perceptron است. قضیه همگرایی، اما در اینجا برای ردیف‌های یک ماتریس همبستگی مربوط به ورودی‌های سنبله اعمال می‌شود. علاوه بر این، ما از طریق شبیه‌سازی رایانه‌ای برای مدل‌های عصبی واقعی‌تر نشان می‌دهیم که نتایج یادگیری مثبت پیش‌بینی‌شده تحلیلی حاصل نه تنها برای تفسیر رایج STDP که در آن STDP وزن سیناپس‌ها را تغییر می‌دهد، بلکه برای تفسیر واقعی‌تر پیشنهاد شده توسط تجربی نیز صادق است
داده هایی که STDP احتمال آزادسازی اولیه سیناپس های پویا را تعدیل می کند.


توضیحاتی درمورد کتاب به خارجی

We investigate under what conditions a neuron can learn by experimentally supported rules for spike timing dependent plasticity (STDP) to predict the arrival times of strong teacher inputs to the same neuron. It turns out that in contrast to the famous Perceptron Convergence Theorem, which predicts convergence of the perceptron learning rule for a strongly simplified neuron model whenever a stable solution exists, no equally strong convergence guarantee can be given for spiking neurons with STDP. But we derive a criterion on the statistical dependency structure of input spike trains which haracterizes exactly when learning with STDP will converge on average for a simple model of a spiking neuron.
This criterion is reminiscent of the linear separability criterion of the Perceptron Convergence Theorem, but it applies here to the rows of a correlation matrix related to the spike inputs. In addition we show through computer simulations for more realistic neuron models that the resulting analytically predicted positive learning results not only hold for the common interpretation of STDP where STDP changes the weights of synapses, but also for a more realistic interpretation suggested by experimental
data where STDP modulates the initial release probability of dynamic synapses.





نظرات کاربران