Online spatio-temporal pattern recognition with evolving spiking neural networks utilising address event representation, rank order, and temporal spike learning

摘要

不断发展的尖峰神经网络（eSNN）是一种计算模型，可以演化新的尖峰神经元和来自传入数据的新连接，以在线模式从中学习模式。随着新技术的发展，以快速在线模式捕获时空和光谱时态数据，例如使用地址事件表示（AER），例如在人工视网膜和人工耳蜗芯片中实现的地址事件表示，以及现有的SNN硬件技术，需要时空模式识别（STPR）的新的和更有效的方法。本文介绍了一种新的eSNN模型动态eSNN（deSNN），该模型同时利用了阶跃尖峰编码（ROSC）（也称为首次尖峰时间）和时间尖峰编码（TSC）。这些表示中的每一个都通过不同的学习机制-RO学习和时间峰值学习-峰值驱动的突触可塑性（SDSP）规则来实现。当使用人工视网膜相机采集AER数据时，将在小规模移动物体分类问题上演示deSNN模型。在学习时间和学习准确性方面，新模型具有优势。它利用了明确显示在AER数据中的尖峰输入信息的顺序，而时间尖峰学习规则则说明到达同一突触的任何连续尖峰代表了所学习的时空模式中的时间分量。