脉冲神经网络成为下一代机器学习？目标检测首次尝试，性能优越

学习是人工智能领域的核心问题。对SNN来说，通过理论模型来验证生物神经系统的信息处理和学习机制，需要研究基于脉冲时间水平的学习方法。科学家希望人工神经系统能够通过神经科学和行为实验以生物可解释的方式建立起来，以达到预期的目的。

脉冲神经网络使用脉冲神经元作为计算单元，可以模拟人脑的信息编码和处理过程与使用特定值传输信息的美国有线电视新闻网不同，SNN可以通过脉冲序列中每个脉冲的传输时间来传输信息，从而提供稀疏但强大的计算能力。脉冲神经元累积膜电压的输入，并在达到特定阈值时发出脉冲，从而实现事件驱动的计算。由于脉冲事件的稀疏性和事件驱动的计算形式，SNN能够提供优异的能量利用效率，是神经形态结构的首选神经网络

脉冲神经网络的学习方法主要包括无监督学习、监督学习和强化学习等无监督学习算法在人类和动物学习中起着主导作用。人们可以通过观察发现世界的内部结构，而不是被告知每个客观事物的名称。人工神经网络无监督学习算法的设计主要针对训练未标记的数据集，需要应用无监督学习规则自适应调整神经网络中的连接权值或结构

脉冲神经网络的监督学习是指为给定的多个输入脉冲序列和多个目标脉冲序列寻找合适的脉冲神经网络的突触权重矩阵，使得神经元的输出脉冲序列尽可能接近相应的目标脉冲序列，即两者的误差评估函数最小强化学习是从环境状态到行为映射的学习，从而最大化环境中主体行为的累积奖励价值基于生物启发学习机制，人工神经网络强化学习的研究重点是探索智能体的自适应优化策略，这是近年来神经网络和智能控制领域的主要方法之一。但是我们迫切需要解决的问题是，在标准硬件上模拟脉冲神经网络是计算密集型的，因为它需要模拟微分方程然而，人工神经硬件，如国际商用机器公司的TrueNorth解决了这个问题。其目的是利用特定的硬件来模拟神经元，利用神经元脉冲行为的离散性和稀疏性来模拟神经元。

脉冲神经网络的未来尚不明朗。一方面，它是循环神经网络的天然继承者。另一方面，对于大多数任务来说，这不是一个实用的工具。脉冲神经网络已经应用于实时图像和音频处理，但文献仍然很少。然而，现在很多团队都在用脉冲神经网络进行规则的监督和学习，所以我对它的未来发展持乐观态度。

来源:在线编辑，如果涉及版权问题或寻求报道，请及时联系欧洲媒体网络o2ojie.com！

欧洲媒体|捷媒体

七年聚焦深度互联网世界

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/1945.html。