液体状态机在手写识别中的应用

摘要

本文利用基于时间窗的皮质层生成算法来构建储液体状态机储备池多簇的拓扑结构,在此基础上再利用非对称STDP学习机制训练各簇神经元之间的连接强度,形成兴奋神经元主导的结构.为了测试优化后的储备池的计算能力,本文使用MNIST数据库进行手写数字识别试验,通过将数字图片转换为多输入通道的泊松脉冲作为输入,同时为了降低计算复杂度,对数据进行了归一化处理去除无效的输入.利用信号重构的思想,分别训练储备池到每个输出神经元的权值.本文作为液体状态机在于写数字识别任务的首次尝试,试验结果明,相比传统的脉冲神经网络,优化后的储备池在数字识别上有更高的准确率.