论文部分内容阅读
Spike神经元是人工神经元发展的第三代模型,由于它具有生物神经元的动态发放特性,能处理时间模式的问题,所以对Spike神经元的研究成为人工神经网络中比较重要的一个课题。而对Spiking神经网络学习模型和算法的研究,则能挖掘其计算上的功能特性,更好地用于解决实际问题。本文首先分析了几种常用的Spike模型,重点讨论了基于Spike Response Mode(lSRM)模型的Spike神经元,然后给出了基于粒子群算法Particle Swarm Optimization(PSO)的Spiking神经网络学习模型,并将这种模型用于解决模式识别和生物信息学的问题。蛋白质二级结构预测问题是生物信息学的重要问题之一,通过对蛋白质二级结构的预测可以掌握蛋白质的功能特性。本文对蛋白质二级结构预测问题进行了一定的研究,给出了两种氨基酸的Spike编码方式,并应用于单个Spiking神经网络和级联神经网络的蛋白质二级结构研究中。本文主要研究内容和成果如下:(1)基于粒子群算法的Spiking神经网络学习模型的建立论文首先分析了SRM模型的Spike神经元,输入编码的Spike特性,以及Spiking神经网络已有的SpikeProp学习算法。该算法采用梯度信息调整网络参数,易于使训练过程陷入局部最优解,而且只能取正的连接权值,否则算法将不收敛。因此,本文给出了一种改进的学习模型,利用具有社会认知的PSO算法建立了Spiking神经网络学习模型。该模型具有较好的全局收敛性,减少了对连接权值的约束,使连接权值可以同时取正和负,单突触的连接方式大大地减少了网络参数,简化了Spiking神经网络的结构,为Spiking神经网络的应用研究打下了良好的基础。(2)模式识别问题的解决方案论文将基于PSO的学习模型用于Spiking神经网络的学习,通过对XOR问题和国际标准分类问题IRIS数据的实验,结果表明,本文的学习模型加快了网络学习速度,提高了分类的准确率。(3)Spiking神经网络的蛋白质二级结构预测问题的研究论文首先从国际蛋白质数据库PDB(Protein Data Bank)中提取蛋白质文件,建立了由这些氨基酸序列构成的网络学习样本集。针对Spike神经元的编码特性,给出了两种氨基酸编码方式,一是氨基酸的Spike时间编码,二是氨基酸特性的高斯编码。这两种编码方式较传统的氨基酸正交编码,简化了编码的复杂性。通过在单个Spiking神经网络