Reti neurali Fuzzy Spiking

Titolo originale:

Fuzzy Spiking Neural Networks

Contenuto del libro:

Tesi di laurea magistrale dell'anno 2011 nella materia Ingegneria - Ingegneria Informatica, voto: 8. 84, Manav Rachna International University, corso: Master of Technology (M.

Tech), language: English, abstract: Questa tesi presenta una conoscenza introduttiva delle neuroscienze computazionali e pone l'accento sulla branca delle neuroscienze computazionali chiamata Spiking Neural Networks (SNNs). Le SNN sono anche chiamate reti neurali di terza generazione. Sono diventate un campo importante del Soft Computing.

In questo articolo si parla delle caratteristiche temporali dei neuroni e se ne studia la dinamica.

Abbiamo presentato un'architettura di SNNs con capacità di ragionamento fuzzy. La selettività dei neuroni è facilitata dall'uso di campi recettivi che consentono ai singoli neuroni di essere reattivi a determinate frequenze del treno di spike e di comportarsi in modo simile alle funzioni di appartenenza fuzzy.

La rete di SNNs è composta da tre strati: strato di ingresso, strato nascosto e strato di uscita. La topologia di questa rete si basa sulle reti a base radiale, che possono essere considerate come approssimatori universali. Lo strato di ingresso riceve l'input sotto forma di frequenza che produce i picchi attraverso una codifica lineare.

Esiste un altro metodo di codifica chiamato codifica di Poisson; questa codifica viene utilizzata quando i dati sono di grandi dimensioni. Lo strato nascosto utilizza il campo ricettivo (RF) per elaborare l'input e quindi è selettivo per la frequenza. Lo strato di uscita è responsabile solo dell'apprendimento.

L'apprendimento si basa sull'apprendimento locale. Il problema della classificazione XOR viene utilizzato per testare le capacità della rete.

Si pone un problema di aggiornamento continuo del peso. Questo problema del peso viene risolto utilizzando la finestra STDP e il ragionamento fuzzy. La tesi dimostra come sia possibile ottenere la capacità di ragionamento fuzzy da modelli biologici di neuroni spiking.

La rete neurale spiking fuzzy implementa regole fuzzy attraverso la configurazione dei campi recettivi, la congiunzione antecedente con le connessioni eccitatorie e inibitorie e l'inferenza.