一、脈沖神經(jīng)網(wǎng)絡(luò)

脈沖神經(jīng)網(wǎng)絡(luò) (Spiking Neural Network，SNN) ，是第三代神經(jīng)網(wǎng)絡(luò)。其旨在彌合神經(jīng)科學(xué)和機器學(xué)習(xí)之間的差距，使用最擬合生物神經(jīng)元機制的模型來進行計算，更接近生物神經(jīng)元機制。脈沖神經(jīng)網(wǎng)絡(luò)與目前流行的神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)方法有著根本上的不同。SNN 使用脈沖——這是一種發(fā)生在時間點上的離散事件——而非常見的連續(xù)值。每個峰值由代表生物過程的微分方程表示出來，其中最重要的是神經(jīng)元的膜電位。本質(zhì)上，一旦神經(jīng)元達(dá)到了某一電位，脈沖就會出現(xiàn)，隨后達(dá)到電位的神經(jīng)元會被重置。對此，最常見的模型是 Leaky Integrate-And-Fire (LIF) 模型。此外，SNN 通常是稀疏連接的，并會利用特殊的網(wǎng)絡(luò)拓?fù)洹?/p>

二、數(shù)據(jù)集簡介

訓(xùn)練集共有十張光學(xué)字符圖片構(gòu)成分別是1,2,3,4,5,6,7,8,9,0。其對應(yīng)類別可表示為：

1: 1 0 0 0 0 0 0 0 0 0

2: 0 1 0 0 0 0 0 0 0 0

3: 0 0 1 0 0 0 0 0 0 0

4: 0 0 0 1 0 0 0 0 0 0

5: 0 0 0 0 1 0 0 0 0 0

6: 0 0 0 0 0 1 0 0 0 0

7: 0 0 0 0 0 0 1 0 0 0

8: 0 0 0 0 0 0 0 1 0 0

9: 0 0 0 0 0 0 0 0 1 0

0: 0 0 0 0 0 0 0 0 0 1

原始圖像（訓(xùn)練集）：

將上述10個光學(xué)字符圖像編碼成時間脈沖：

含噪圖像（測試集）：

三、MATLAB實現(xiàn)

3.1部分代碼如下：

最大訓(xùn)練次數(shù)為30次，訓(xùn)練集上準(zhǔn)確率隨迭代次數(shù)的變化圖如下：

可以看出SNN在訓(xùn)練集上準(zhǔn)確率達(dá)到90%。

3.2測試集上的預(yù)測效果：

預(yù)測值為：

1: 1 0 0 0 0 0 0 0 0 0 （正確）

2: 0 1 0 0 0 0 1 0 0 0 （錯誤）

3: 0 0 1 0 0 0 0 0 0 0 （正確）

4: 0 0 0 1 0 0 0 0 0 0 （正確）

5: 0 0 0 0 1 0 0 0 0 0 （正確）

6: 0 0 0 0 0 1 0 0 0 0 （正確）

7: 0 0 0 0 0 0 1 0 0 0 （正確）

8: 0 0 0 1 0 0 0 1 0 0 （錯誤）

9: 0 0 0 0 0 0 0 0 1 0 （正確）

0: 0 0 0 0 0 0 0 0 0 1 （正確）

由此可以看出，SNN在測試集上的準(zhǔn)確率為80%。

四、完整MATLAB代碼

完整MATLAB代碼請?zhí)砑觰p主的主頁聯(lián)系方式。?