论文阅读-SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function

1、数据编码
首先介绍一下该神经元模型论文里面提到的编码方式：群体编码（population encoding）
编码步骤：
1、计算发放强度（就是指发放的欲望有多大）

其中第h个接受域的μh和是中心和标准偏差，计算公式如下所示：

然后根据所计算得到的发放强度去计算发放时间：

def spiking_genersate(train_data):mu=par.mu       #中心sigma=par.sigma #偏离RF=par.RF       #接收域神经元总数  6feature=par.feature #特征，就是指输入维度的意思，所以这里他是4维的spike_time=np.zeros((int(train_data.shape[0]),par.feature*par.RF)) #训练样本数*24for num in range(train_data.shape[0]):fire_value=np.zeros(RF)     #是否发放？fire_strength=np.zeros((feature,RF))        #发放强度，不同维度对应for t in range(par.feature):for i in range(par.RF):fire_value[i]=np.exp(-np.power((train_data[num,t]-mu[i]),2)/(2*np.power(sigma,2)))      #这是计算发放强度 (1,6)fire_strength[t,:]=fire_value #(4,6)spike_time[num,:]=(np.round(par.T_pre*(1-fire_strength))+1).reshape((1,par.feature*par.RF))     #np.round()一般情况下是四舍五入取整，0的时候直接向下取整，ceil（）和floor（）函数是向下取整pyplot.plot(spike_time.T,'.k')return spike_time

源代码里面的输入：其中包括四个特征值和一个分类结果。

得到的发放强度（4,6）的矩阵

2、训练
编码完之后开始初始化权重矩阵和阈值矩阵。
1、创建权重矩阵和阈值矩阵大小，权重矩阵（24，301，3）中间的为时间。阈值矩阵大小为（1,3）
2、接下来是根据第一个第一个样本的数据给权重矩阵赋初值。

def weights_thershold_reload(train_data,train_label,weights,theta,fire_time):       #初始化阈值Output_size=0for i in range(train_data.shape[0]):temp = int(train_label[i]-1)if (theta[int(train_label[i]-1)]==0):   #用模式1的训练数据来初始化权重和θOutput_size = Output_size + 1weights[:, :, int(train_label[i]-1)] = np.multiply((gaussian_function(par.T_train, fire_time[i,:].transpose())).transpose(), do_uki((par.TID- fire_time[i,:]))[:, np.newaxis])  #timing-vary weigts,weight initialtheta[int(train_label[i]-1)] = (np.matmul(do_uki((par.TID- fire_time[i,:]))[np.newaxis, :], LIF_e(par.TID - fire_time[i,:].transpose())[:, np.newaxis])).squeeze()     #theta initialif (Output_size == par.class_num):   breakreturn weights,theta

接下来就是训练了，这里的神经元是LIF，算法是STDP的监督版本。
既然是监督学习，那就肯定有根据结果去改变权重的部分。接下来就介绍它是怎么改变权重的。

其中包括了计算突触后神经元发放时间，如下图所示。

接下来是利用STDP监督学习算法计算更新，先上理论：
1、计算归一化STDP
这是原始的STDP

计算完所有发放点的STDP后，对STDP进行归一化

然后计算文中说的是理想的发放时间

接下来是误差损失函数：

有了误差损失函数就可以计算delta_w

第一个值为学习率，
时变函数为：

最后更新权重：

源码下载地址：
https://download.csdn.net/download/weixin_43872912/85172793

论文阅读-SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function相关推荐

《论文阅读》PLATO: Pre-trained Dialogue Generation Model with Discrete Latent Variable
<论文阅读>PLATO: Pre-trained Dialogue Generation Model with Discrete Latent Variable 简介论文试图解决什么问题 ...
论文阅读 Parallelly Adaptive Graph Convolutional Clustering Model(TNNLS2022)
论文标题 Parallelly Adaptive Graph Convolutional Clustering Model 论文作者.链接作者: He, Xiaxia and Wang, Boyue ...
论文阅读--Elemental spiking neuron model for reproducing diverse firing patterns and predicting precise
摘要在模拟由不同的神经元组成的真实的神经元电路中,我们需要一个电脉冲神经元模型,不仅能够在数量上复现生动的灵活输入的生物神经元的脉冲时间,而且在质量上代表了大量的对瞬时电流输入的发放回应.基于泄露I ...
[论文阅读笔记12]An Effective Transition-based Model for Discontinuous NER
一, 题目 <An Effective Transition-based Model for Discontinuous NER> 论文:An Effective Transition-b ...
论文阅读：A Neural Probabilistic Language Model 一种神经概率语言模型
A Neural Probabilistic Language Model 一种神经概率语言模型目录 A Neural Probabilistic Language Model 一种神经概率语言模型 ...
论文阅读：《A Neural Conversational Model》
重磅推荐专栏: <Transformers自然语言处理系列教程> 手把手带你深入实践Transformers,轻松构建属于自己的NLP智能应用! https://blog.csdn.net ...
论文阅读 - DeepSBD: A Deep Neural Network Model with Attention Mechanism for Social Bot Detection - CCFA
论文链接:http://www.abulaish.com/uploads/TIFS21.pdf 目录摘要 1 绪论 1.1 OSN和Socialbots 1.2 背景和动机 1.3我们的贡献 2 ...
[论文阅读笔记15]Recognizing Complex Entity Mentions：A Review and Future Directions
一,题目 Recognizing Complex Entity Mentions:A Review and Future Directions 识别复杂实体mentions:回顾与未来方向 Dai X ...
Zero-shot Learning零样本学习论文阅读（五）——DeViSE:A Deep Visual-Semantic Embedding Model
Zero-shot Learning零样本学习论文阅读(五)--DeViSE:A Deep Visual-Semantic Embedding Model 背景 Skip-gram 算法算法思路 ...

论文阅读-SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function

论文阅读-SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function相关推荐

最新文章

热门文章