什麼是脈沖神經網路

❶ 脈沖神經網路的介紹

脈沖神經網路 （SNN-Spiking Neuron Networks) 經常被譽為第三代人工神經網路。其模擬神經元更加接近實際，除此之外，它把時間信息的影響也考慮其中。思路是這樣的，動態神經網路中的神經元不是在每一次迭代傳播中都被激活（而在典型的多層感知機網路中卻是），而是在它的膜電位達到某一個特定值才被激活。當一個神經元被激活，它會產生一個信號傳遞給其他神經元，提高或降低其膜電位。

❷ 脈沖神經網路的分類

脈沖耦合神經網路（PCNN-Pulse Coupled Neural Network）與脈沖神經網路 （SNN-Spiking Neuron Networks) 容易混淆。脈沖耦合神經網路(PCNN)可以看做是脈沖神經網路(SNN)的一種，而脈沖神經網路(SNN)是更廣泛的分類。兩者其實無明顯差異，都是基於脈沖編碼（spike coding)。

❸ 脈沖神經網路的簡介

脈沖神經網路 （SNN-Spiking Neuron Networks) 經常被譽為第三代人工神經網路。第一代神經網路是感知器，它是一個簡單的神經元模型並且只能處理二進制數據。第二代神經網路包括比較廣泛，包括應用較多的BP神經網路。但是從本質來講，這些神經網路都是基於神經脈沖的頻率進行編碼( rate coded）。
脈沖神經網路，其模擬神經元更加接近實際，除此之外，把時間信息的影響也考慮其中。思路是這樣的，動態神經網路中的神經元不是在每一次迭代傳播中都被激活（而在典型的多層感知機網路中卻是），而是在它的膜電位達到某一個特定值才被激活。當一個神經元被激活，它會產生一個信號傳遞給其他神經元，提高或降低其膜電位。
在脈沖神經網路中，神經元的當前激活水平（被建模成某種微分方程）通常被認為是當前狀態，一個輸入脈沖會使當前這個值升高，持續一段時間，然後逐漸衰退。出現了很多編碼方式把這些輸出脈沖序列解釋為一個實際的數字，這些編碼方式會同時考慮到脈沖頻率和脈沖間隔時間。
藉助於神經科學的研究，人們可以精確的建立基於脈沖產生時間神經網路模型。這種新型的神經網路採用脈沖編碼(spike coding)，通過獲得脈沖發生的精確時間，這種新型的神經網路可以進行獲得更多的信息和更強的計算能力。

❹ 脈沖神經網路的歷史

Alan Lloyd Hodgkin和Andrew Huxley在1952年提出了第一個脈沖神經網路模型，這個模型描述了動作電位是怎樣產生並傳播的。但是，脈沖並不是在神經元之間直接傳播的，它需要在突觸間隙間交換一種叫「神經遞質」的化學物質。這種生物體的復雜性和可變性導致了許多不同的神經元模型。
從資訊理論的觀點來看，找到一種可以解釋脈沖，也就是動作電位的模型是個問題。所以，神經科學的一個基本問題就是確定神經元是否通過時間編碼來交流。時間編碼表明單一的神經元可以取代上百個S型隱藏層節點。

❺ 急求翻譯——英譯漢

神經網路分割 神經網路分割依靠處理圖象使用一個神經網路[4]或一套的小范圍神經網路。 在這樣處理以後政策制定機制相應地指示圖象的區域對神經網路認可的類別。 網路的類型特別是為此設計了，是Kohonen地圖。 脈沖被結合的神經網路(PCNNs)是為高性能biomimetic圖象處理提議通過塑造貓的視覺皮質和開發的神經系統的模型。 在1989年， Eckhorn介紹一個神經系統的模型看齊貓的視覺皮質機制。 Eckhorn模型提供了為學習小哺乳動物的視覺皮質的一個簡單和有效的工具和很快被認出了作為有重大應用潛力在圖象處理。 在1994年， Eckhorn模型由約翰遜適應是圖象處理演算法，命名這個演算法脈沖被結合的神經網路。 在過去十年中， PCNNs為各種各樣的圖象處理應用被運用了，包括： 圖象分割，特點世代，面孔提取，行動偵查，生長的區域，雜訊降低，等等。 PCNN是一個二維神經網路。 在網路的每個神經元對應於在輸入圖象的一個映象點，獲得它對應的映象點的顏色信息(即強度)作為外在刺激。 每個神經元也連接用它的鄰居神經元，接受地方刺激從他們。 外部和地方刺激在一個內部活化作用系統被結合，積累刺激，直到它超出動態門限，造成脈沖輸出。 通過重復計算， PCNN神經元導致脈沖輸出世俗系列。 脈沖輸出世俗系列包含輸入圖象的信息，並且可以為各種各樣的圖象處理應用被運用，例如圖象分割和特點世代。 比較常規圖象處理手段， PCNNs有幾重大優點，包括幾何變異的強壯反對雜訊，跨接較小強度變異的獨立在輸入樣式，能力在輸入樣式等等

❻ pcnn 的全名是什麼

脈沖耦合神經網路（PCNN-Pulse Coupled Neural Network）與傳統神經網路相比，有著根本的不同。PCNN有生物學的背景，它是依據貓、猴等動物的大腦皮層上的同步脈沖發放現象提出的。PCNN有著廣泛的應用，可應用於圖像分割，邊緣檢測、細化、識別等方面。 PCNN是Eckhorn於20世紀90年代開始提出的一種基於貓的視覺原理構建的簡化神經網路模型，與BP神經網路和Kohonen神經網路相比，PCNN不需要學習或者訓練，能從復雜背景下提取有效信息，具有同步脈沖發放和全局耦合等特性，其信號形式和處理機制更符合人類視覺神經系統的生理學基礎。

需要的話 我這邊有資料~~

❼ 脈沖神經網路的應用

脈沖神經網路大體上可以和傳統的人工神經網路一樣被用在信息處理中，而且脈沖神經網路可以對一個虛擬昆蟲尋找食物的問題建模，而不需要環境的先驗知識。並且，由於它更加接近現實的性能，使它可以用來學習生物神經系統的工作，電生理學的脈沖和脈沖神經網路在電腦上的模擬輸出相比，決定了拓撲學和生物神經學的假說的可能性。
在實踐中脈沖神經網路和已被證明的理論之間還存在一個主要的不同點。脈沖神經網路已被證明在神經科學系統中有作用，而在工程學中還無建樹，一些大規模的神經網路已經被審計來利用脈沖神經網路中發現的脈沖編碼，這些網路根據儲備池計算 的原則，但是現實中，大規模的脈沖神經網路計算由於所需計算資源多而產能小被限制了，造成了只有很少的大規模脈沖神經網路被用來解決復雜的計算問題，而這些之前都是由第二代神經網路解決的。第二代神經網路模型中難以加入時間，脈沖神經網路（特備當演算法定義為離散時間時）相當容易觀察其動力學特徵。我們很難建立一個具有穩定行為的模型來實現一個特定功能。

❽ 脈沖耦合神經網路被稱為第三代神經網路，那麼第一代和第二代分別是什麼

第一代神經網路是感知器，一個簡單的神經元模型並且只能處理二進制數據。第二代神經網路包括比較廣泛，BP神經網路等。

❾ 脈沖神經網路和非脈沖神經網路各有什麼優缺點

度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構，通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。深度學習的概念由Hinton等人於2006年提出，基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
系統地論述了神經網路的基本原理、方法、技術和應用，主要內容包括：神經信息處理的基本原理、感知器、反向傳播網路、自組織網路、遞歸網路、徑向基函數網路、核函數方法、神經網路集成、模糊神經網路、概率神經網路、脈沖耦合神經網路、神經場理論、神經元集群以及神經計算機。每章末附有習題，書末附有詳細的參考文獻。神經網路是通過對人腦或生物神經網路的抽象和建模，研究非程序的、適應性的、大腦風格的信息處理的本質和能力。它以腦科學和認知神經科學的研究成果為基礎，拓展智能信息處理的方法，為解決復雜問題和智能控制提供有效的途徑，是智能科學和計算智能的重要部分。