Fast Sigmoidal Networks via Spiking Neurons

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Maass W.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 26 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 727 کیلوبایت 

قیمت کتاب (تومان) : 35,000

محاسبات عصبی، 9 (1997) ما نشان می‌دهیم که شبکه‌های مدل‌های ریاضی نسبتاً واقعی برای نورون‌های بیولوژیکی اصولاً می‌توانند نب عصبی سیگموئیدی دلخواه را شبیه‌سازی کنند که قبلاً وجود نداشته است. در نظر گرفته شده است. این رویکرد جدید بر اساس کدگذاری زمانی b است. به جای تفسیر سنتی متغیرهای آنالوگ بر حسب نرخ شلیک، شبیه‌سازی جدید به‌طور قابل ملاحظه‌ای سریع‌تر و در نتیجه سازگارتر است. با نتایج تجربی در مورد سرعت پردازش اطلاعات در سیستم‌های عصبی قشر مغز.
در نتیجه می‌توان نشان داد که شبکه‌های نورون‌های نویزدار نویزدار «بیش‌کننده‌های جهانی هستند» به این معنا که آنها می‌توانند با توجه به زمان‌های زمانی نزدیک شوند. کدگذاری هر تابع پیوسته داده شده از چندین متغیر. این نتیجه برای دسته نسبتاً بزرگی از طرح‌ها برای کدگذاری متغیرهای آنالوگ با زمان شلیک نورون‌های spiking صادق است.
این پیشنهاد جدید برای سازماندهی احتمالی محاسبات در نهورک‌های سیستم‌های نورون‌های spiking پیامدهای جالبی برای نوع قوانین یادگیری دارد. که برای توضیح خودسازمان دهی چنین شبکه هایی مورد نیاز است.
در نهایت، اجرای سریع و پر نویز شبکه های عصبی سیگموئیدی با کدگذاری زمانی به راه های جدید احتمالی برای پیاده سازی Neb عصبی سیگموئیدی بازگشتی و برگشتی با جریان پالس VLSI اشاره می کند.

Neural Computation, 9 (1997) We show that networks of relatively realistic mathematical models for biological neurons in principle can simulate arbitrary feedfornard sigmoidal neural neb in away that has previoudv not been considered. This new approach is based on temporal coding b; single spikes (mspectively bv the timin.e, of svnchmnous firin= in ~ o a l osf neurons) rather than on the traditional interpretation of analog variables in terms of firing rates.
Ihe resulting new simulation is subrtantially faster and hence more consistent withexperimental resulbabout Ihemuimalspeedof information processing in cortical neural systems.
Asa consequence wecan show that networks of noisy spiking neurons are "universal so.o. m ximators" in the sense that thev can a~oroximate, with regard to temporal coding any givencontinuous function of several variables. This result holds for a fairly large class of schemes for coding analog variables by firing times of spiking neurons.
This new proposal for the possible organization of computations in nehvorks of spiking neurons systems has some interesting consequences for the type of learning rules that would be needed to explain the selforganization of such networks.
Finally, the fast and noise-robust implementation of sigmoidal neural nets by temporal coding points to possible new ways of implementing feedforward and recurrent sigmoidal neural neb with pulse stream VLSI.