Темпотрон - Tempotron
эта статья предоставляет недостаточный контекст для тех, кто не знаком с предметом.Февраль 2015 г.) (Узнайте, как и когда удалить этот шаблон сообщения) ( |
Темпотрон это контролируемый алгоритм синаптического обучения, который применяется, когда информация кодируется в пространственно-временной всплеск узоры. Это продвижение перцептрон который не включает структуру синхронизации всплесков.
По общему мнению, время всплеска (STDP) играет решающую роль в развитии синаптической эффективности для многих различных типов нейронов. [1] Поэтому было разработано большое количество STDP-правил, одним из которых является темпотрон.
Алгоритм
Предполагая дырявая модель интеграции и огня потенциал синапса можно описать как
где обозначает время спайка i-го афферентного синапса с синаптической эффективностью и потенциал покоя. описывает постсинаптический потенциал (PSP) вызывается каждым входящим всплеском:
с параметрами и обозначающие постоянные времени затухания мембранной интеграции и синаптических токов. Фактор используется для нормализации ядер PSP. Когда потенциал пересекает порог срабатывания потенциал сбрасывается до его значения покоя, шунтируя все входящие выбросы.
Далее необходима двоичная классификация входных паттернов ( относится к паттерну, который должен вызывать по крайней мере один постсинаптический потенциал действия и относится к шаблону, на который соответственно не должно быть ответа). Вначале нейрон не знает, какой паттерн принадлежит какой классификации, и должен изучать его итеративно, как и перцептрон . Темпотрон изучает свои задачи, адаптируя синаптическую эффективность . Если паттерн представлен и постсинаптический нейрон не спровоцировал всплеск, все синаптические эффективности увеличиваются на тогда как паттерн, за которым следует постсинаптический ответ, приводит к снижению синаптической эффективности на с участием [2]
Вот обозначает время, в которое постсинаптический потенциал достигает максимального значения.
Следует отметить, что Tempotron - это частный случай более старой статьи, посвященной непрерывному вводу.[3]
Источники
- ^ Капорале Н. и Дэн Ю. (2008). Пластичность спайка, зависящая от времени: правило обучения Хебба. Анну Рев Neurosci, 31, 25-46.
- ^ Роберт Гютиг, Хаим Сомполинский (2006): Темпотрон: нейрон, который учится принимать решения, основанные на времени спайков, Nature Neuroscience vol. 9, № 3, 420-428
- ^ Энтони М. Задор, Барак А. Перлмуттер (1996): "Измерение VC модели нейрона интеграции и активации", Neural Computation vol.8, 611-624