脉冲神经网络的快速仿真方法

吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (增刊1): 227-230.

脉冲神经网络的快速仿真方法

方慧娟, 罗继亮, 黄彩虹, 李平

华侨大学信息科学与工程学院, 厦门 361021

收稿日期:2011-03-22 出版日期:2011-09-01 发布日期:2011-09-01
作者简介:方慧娟(1979 ),女,讲师.博士.研究方向:神经网络理沦.脑电信号分析.E-mail:huijuan.fang@163.com.
基金资助:
国家青年自然科学基金项目(60904018);福建省自然科学基金项目(2009J05147,2010J01339);福建省高校杰出青年科研人才计划项目(JA10004);华侨大学高层次人才科研启动费项目(09BS617,10BS108)

Fast simulation of spiking neural networks

FANG Hui-juan, LUO Ji-liang, HUANG Cai-hong, LI Ping

College of Information Science and Engineering, Huaqiao University, Xiamen 361021, China

Received:2011-03-22 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要：

针对由SRM(Spike response model)神经元构成的网络,在限制SRM模型参数的基础上,提出了一种事件驱动脉冲神经网络(Spiking neural network,SNN)仿真的具体设计方法。计算机仿真结果表明:与时钟驱动的仿真方法相比,事件驱动的方法大大提高了SNN的仿真速度,并且可以得到更精确的脉冲发放时间。

关键词: 人工智能, 脉冲神经网络, 仿真, 事件驱动, 脉冲响应模型

Abstract:

An event-driven design method was presented for the computer simulation of spiking neural networks(SNN) using a restricted spike response model(SRM) of neuron.The performance of the event-drive simulation was compared with that of the clock-driven approach.The results of computer experiments show that the event-driven method greatly increases the simulation speed of SNN.Moreover,the event-driven simulation can achieve higher temporal precision of spike firing.

Key words: artificial intelligence, spiking neural networks(SNN), simulation, event-driven, spike response model

中图分类号:

TP18

方慧娟, 罗继亮, 黄彩虹, 李平. 脉冲神经网络的快速仿真方法[J]. 吉林大学学报(工学版), 2011, 41(增刊1): 227-230.

FANG Hui-juan, LUO Ji-liang, HUANG Cai-hong, LI Ping. Fast simulation of spiking neural networks[J]. 吉林大学学报(工学版), 2011, 41(增刊1): 227-230.

参考文献

[1] Maass W.Networks of spiking neurons:the third generation of neural network models
[J].NeuralN etworks,1997,10(9):1659-1671.

[2] Brette R,Rudolph M,Carnevale T,et al.Simulationo f networks of spiking neurons:a review of tools ands trategies
[J].Journal of Computational Neuroscience,2007,23(3):349-398.

[3] D'Haene M,Schrauwen B,Stroobandt D.Accelerating event based simulation for multi-synapse spiking neural networks
[J].Lecture Notes in ComputerS cience,2006,4131:760-769.

[4] Gerstner W,Kistler W M.Spiking Neuron Models:S ingle Neurons,Populations,Plasticity
[M].Cam-bridge:Cambridge University Press,2002.

[5] Booij O.Temporal pattern classification using spiking neural networks
[D].Amsterdam:InformaticsI nstute University of Amsterdam,2004.

[6] Maass W.Computation with Spiking Neurons
[M].C ambridge:MIT Press,2003.

[7] Fang H,Wang Y,He J.Spiking neural networks forc ortical neuronal spike train decoding
[J].NeuralC omputation,2010,22(4):1060-1085.

[8] Gerstner W.Spiking Neurons
[M].Cambridge:MITP ress,1999.

[9] Carrillo R,Ros E,Ortigosa E,et al.Lookup tablep owered neural event-driven simulator
[C] ∥Proceeding of the8th International Work-Conference onA rtificial Neural Networks(IWANN),Vilanova, 2005:168-175.

[10] Makino T.A discrete-event neural network simulatorf or general neural models
[J].Neural Computing & A pplications,2003,11(3-4):210-223.

相关文章 15

[1]	臧鹏飞, 王哲, 孙晨乐, 林炼炼. 直线增程器稳态运行换气过程[J]. 吉林大学学报(工学版), 2018, 48(5): 1455-1465.
[2]	王扬, 王晓梅, 陈泽仁, 于建群. 基于离散元法的玉米籽粒建模[J]. 吉林大学学报(工学版), 2018, 48(5): 1537-1547.
[3]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[4]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[5]	胡满江, 罗禹贡, 陈龙, 李克强. 基于纵向频响特性的整车质量估计[J]. 吉林大学学报(工学版), 2018, 48(4): 977-983.
[6]	仇艳凯, 李宝仁, 杨钢, 曹博, 刘真. 新型液压消声器吸收液压系统压力脉动的机理和特性[J]. 吉林大学学报(工学版), 2018, 48(4): 1085-1091.
[7]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[8]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[9]	许秀军, 李震, 王立权, 张同喜. 海流边界下初始铺管作业建模及半物理仿真[J]. 吉林大学学报(工学版), 2018, 48(3): 803-811.
[10]	李因武, 吴庆文, 常志勇, 杨成. 基于仿生斗齿的反铲液压挖掘机动臂仿真优化设计[J]. 吉林大学学报(工学版), 2018, 48(3): 821-827.
[11]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[12]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[13]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[14]	张天时, 宋东鉴, 高青, 王国华, 闫振敏, 宋薇. 电动汽车动力电池液体冷却系统构建及其工作过程仿真[J]. 吉林大学学报(工学版), 2018, 48(2): 387-397.
[15]	徐洪峰, 高霜霜, 郑启明, 章琨. 信号控制交叉口的复合动态车道管理方法[J]. 吉林大学学报(工学版), 2018, 48(2): 430-439.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed