Реализация поведенческих функций на спайковых нейронных сетях

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается вопрос моделирования поведенческих функций животных, в частности, моделирование и реализация условного рефлекса. Производится анализ современного состояния нейронных сетей с возможностью структурного реконфигурирования. Моделирование осуществляется посредством нейронных сетей, которые строятся на основе сегментной спайковой модели нейрона с возможностью структурной адаптации к входному паттерну импульсов. Сегментная спайковая модель нейрона способна изменять свою структуру (размер тела клетки, количество и длина дендритов, количество синапсов) в зависимости от поступающего на её входы паттерна импульсов. Приведено краткое описание сегментной спайковой модели нейрона, отмечены её основные особенности с точки зрения возможности её структурного реконфигурирования. Описывается способ структурной адаптации сегментной спайковой модели нейрона к входному паттерну импульсов. Для исследования работы предложенной модели нейрона в сети, в качестве примера обосновывается выбор условного рефлекса, как частного случая формирования ассоциативных связей. Приведено описание структурной схемы и алгоритма формирования условного рефлекса как с положительным, так и с отрицательным подкреплением. Представлено пошаговое описание экспериментов по формированию ассоциативных связей вообще и условного рефлекса (как с положительным, так и с отрицательным подкреплением), в частности. Сделан вывод о перспективности применения спайковых сегментных моделей нейронов для повышения эффективности реализации поведенческих функций в нейроморфных системах управления. Рассмотрены дальнейшие перспективные направления развития нейроморфных систем, основанных на спайковых сегментных моделях нейрона.

Об авторах

А. М Корсаков

ЦНИИ РТК

Email: anton_korsakov@mail.ru
Тихорецкий проспект 21

А. В Бахшиев

СПбПУ Петра Великого

Email: palexab@gmail.com
улица Политехническая 29

Л. А Астапова

ЦНИИ РТК

Email: astapova.la@yandex.ru
Тихорецкий проспект 21

Л. А Станкевич

ЦНИИ РТК

Email: Stankevich_lev@inbox.ru
Тихорецкий проспект 21

Список литературы

  1. Г.С. Мельников, Э.И. Мельникова, В.М. Самков. Нейроморфные системы анализа изображений (обзор) // Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии-2020» («IS&IT’20»). Т.2. Таганрог: Изд-во Ступина С.А. 2020. С. 120-148.
  2. Feng J. Is the integrate-and-fire model good enough a review // Neural Net-works. 2001. vol. 14. no. 6. pp. 955–975.
  3. Kasabov N. K. Evolving Connectionist Systems: The Knowledge Engineering Approach // London, Springer Science & Business Media. 2007. 451 p.
  4. Soltic S., Kasabov N. K. Knowledge extraction from evolving spiking neural networks with rank order population coding // International Journal of Neural Systems. 2010. vol. 20. no. 06. pp. 437–445.
  5. Wysoski S. G., Benuskova L., Kasabov N. Fast and adaptive network of spiking neurons for multi-view visual pattern recognition // Neurocomputing. 2008. vol. 71. no. 13. pp. 2563–2575.
  6. Wysoski S. G., Benuskova L., Kasabov N. K. Evolving spiking neural networks for audiovisual information processing // Neural Networks. 2010. vol. 23. no. 7. pp. 819–835.
  7. Wysoski S. G., Benuskova L., Kasabov N. On-Line Learning with Structural Adaptation in a Network of Spiking Neurons for Visual Pattern Recognition // Artificial Neural Networks. 2006. vol. 4131. pp. 61–70.
  8. Dhoble K., Nuntalid N., Indiveri G., Kasabov N. Online spatio-temporal pattern recognition with evolving spiking neural networks utilising address event representation, rank order, and temporal spike learning // The 2012 International Joint Conference on Neural Networks (IJCNN). 2012. pp. 1–7.
  9. Kasabov N. K., Dhoble K., Nuntalid N., Indiveri G. Dynamic evolving spiking neural networks for on-line spatio- and spectro-temporal pattern recognition // Neural Networks. 2013. vol. 41. pp. 188–201.
  10. Wang J., Belatreche A., Maguire L., McGinnity T. M. An online supervised learning method for spiking neural networks with adaptive structure // Neurocomputing. 2014. vol. 144. pp. 526–536.
  11. Wang J., Belatreche A., Maguire L. P., McGinnity T. M. SpikeComp: An Evolving Spiking Neural Network with Adaptive Compact Structure for Pattern Classification // Neural Information Processing. 2015. vol. 9490. pp. 259–267.
  12. Wang J., Belatreche A., Maguire L. P., McGinnity T. M. SpikeTemp: An Enhanced Rank-Order-Based Learning Approach for Spiking Neural Networks With Adaptive Structure // IEEE Transactions on Neural Networks and Learning Systems. 2017. vol. 28. no. 1. pp. 30–43.
  13. Belatreche A., Maguire L. P., McGinnity M. Advances in Design and Application of Spiking Neural Networks // Soft Computing. 2017. vol. 3. no. 11. pp. 239–248.
  14. XinYao, Yong Liu, Guangming Lin. Evolutionary programming made faster // IEEE Transactions on Evolutionary Computation. 1999. vol. 3. no. 2. pp. 82–102.
  15. Belatreche A., Paul R. Dynamic cluster formation using populations of spiking neurons // The 2012 International Joint Conference on Neural Networks (IJCNN). 2012. pp. 1–6.
  16. Dora, S., Subramanian, K., Suresh, S., Sundararajan, N. Development of a Self-Regulating Evolving Spiking Neural Network for classification problem // Neurocomputing. 2016. vol. 171. pp. 1216–1229.
  17. Bakhshiev A.V., Gundelakh F.V. Mathematical Model of the Impulses Transformation Processes in Natural Neurons for Biologically Inspired Control Systems Development // CEUR Workshop Proceedings. 2015. vol. 1452. pp. 1–12.
  18. Асратян Э.А. Учение академика И.П. Павлова о высшей нервной деятель-ности // Серия: Знание, Серия III №1 М.: Знание. 1956. 32 с.
  19. Кубарко, А. И. Нормальная физиология. В 2 ч. Ч. 2: учебник / А. И. Кубар-ко, А. А. Семенович, В. А. Переверзев, Д. А. Александров, Л. М. Лобанок, А. Н. Харламов // Минск: Выш. шк. 2014. 604 с.
  20. Korsakov, A., Bakhshiev, A. The Neuromorphic Model of the Human Visual System // Studies in Computational Intelligence. 2021. vol. 1452. pp. 339–346.
  21. Бахшиев А. В. Библиотека средств разработки моделей нейронных сетей со сложной и динамически меняющейся архитектурой – NMSDK // Нейроинформатика, ее приложения и анализ данных: материалы XVIII Всероссийского семинара, 8–10 октября 2010 г. / под ред. А. Н. Горбаня, Е. М. Миркеса. ИВМ СО РАН. Красноярск. 2010. С. 26–30.
  22. Bakhshiev A. V., Fomin I. S., Gundelakh F. V., Demcheva A. A., Korsakov A. M. The architecture of a software platform for growing spiking neural networks simulator developing // Journal of Physics: Conference Series. 2020. vol. 1679. pp. 042001.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).