Gradientní učení pro sítě hladce pulzních neuronů
Gradient learning for networks of smoothly pulse neurons
diploma thesis (DEFENDED)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/34225Identifiers
Study Information System: 49102
Collections
- Kvalifikační práce [10690]
Author
Advisor
Referee
Petříčková, Zuzana
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
Theoretical Computer Science
Department
Department of Software Engineering
Date of defense
13. 9. 2010
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
Czech
Grade
Very good
Sítě pulzních (spiking) neuronů představují biologicky více plausibilní alter-nativu k perceptronovým sítím mající velký potenciál pro zpracování časových řad. Nicméně doposud pro ně nebyl znám prakticky použitelný učící algoritmus. SpikeProp založený na gradientní metodě a jeho modifikace mají problém s principiální nespojitostí vzniku a zániku pulsů. Tuto otázku se snaží vyřešit nový netriviální gradientní učící algoritmus pro model hladce pulzních neuronů. Cílem práce je implementace a testování tohoto modelu a případné navržení jeho dalších vylepšení.
Networks of spiking neurons present a biologically more plausible alternative to perceptron networks, having great potential for processing time series. However, as of now, no practically usable learning algorithm has been known. SpikeProp, based on a gradient descent method, and its modifications have a fundamental problem with dis-continuity of spike creation and deletion. A new nontrivial gradient learning algorithm for a model of smoothly spiking neurons is proposed as a possible way to solve this problem. The goal of this work is to implement and test this model and eventually propose further improvements.