Темпотрон
![]() | Эта статья предоставляет недостаточный контекст для тех, кто не знаком с предметом . ( февраль 2015 г. ) |
Темпотрон — это контролируемый алгоритм синаптического обучения, который применяется, когда информация кодируется в виде пространственно-временных импульсов . Это усовершенствованная версия перцептрона , которая не включает систему синхронизации пиков.
Общепринято считать, что время спайков (STDP) играет решающую роль в развитии синаптической эффективности для многих различных типов нейронов. [1] Поэтому было разработано большое разнообразие STDP-правил, одним из которых является темпотрон.
Алгоритм
[ редактировать ]Если предположить, что существует дырявая модель «интеграция и запуск», потенциал синапса можно описать формулой
где обозначает время спайка i-го афферентного синапса с синаптической эффективностью. и потенциал покоя. описывает постсинаптический потенциал (PSP), вызываемый каждым входящим спайком:
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 значения покоя путем шунтирования всех входящих импульсов.
Далее необходима бинарная классификация входных шаблонов( относится к паттерну, который должен вызвать по крайней мере один постсинаптический потенциал действия и относится к шаблону, который не должен иметь соответственного ответа). Вначале нейрон не знает, какой шаблон к какой классификации принадлежит, и должен изучать его итеративно, подобно перцептрону . Темпотрон изучает свои задачи, адаптируя синаптическую эффективность. . Если представлена картина, и постсинаптический нейрон не активировался, все синаптические эффективности увеличиваются на тогда как Паттерн, за которым следует постсинаптическая реакция, приводит к снижению синаптической эффективности за счет с [2]
Здесь обозначает время, в которое постсинаптический потенциал достигает своего максимального значения.
Следует отметить, что Tempotron — это частный случай более старой работы, посвященной непрерывным вводам. [3]
Источники
[ редактировать ]- ^ Капорале, Н., и Дэн, Ю. (2008). Пластичность, зависящая от времени спайка: правило обучения Хебба. Анну преподобный Нейроски, 31, 25–46.
- ^ Роберт Гютиг, Хаим Сомполинский (2006): Темпотрон: нейрон, который учится принимать решения на основе времени спайков , Nature Neuroscience vol. 9, №3, 420-428
- ^ Энтони М. Задор, Барак А. Перлмуттер (1996): «VC-измерение модели нейронов с интеграцией и запуском», Neural Computation vol.8, 611-624