论文部分内容阅读
分类方法是人工智能的重要领域之一。有许多分类模型可应用于此领域,而最著名的一种就是多层前馈神经网络。众有所知,反向传播是可以区分给定输入转为期望输入的优秀分类器。传统神经网络对于许多领域的分类表现优秀,例如医学、科学、工程学和商业等领域。不过,反向传播神经网络仍然不能完全处理所有类型的数据,尤其是时态数据。 近十几年来,人工神经网络的研究工作不断深入发展。为了处理时态数据,研究者们构建了新一代神经网络,该网络被称为“脉冲神经网络(SNN- Spiking Neural Network)”。脉冲神经网络比传统神经网络更接近地模仿生物神经元。脉冲神经网络算法诞生于反向传播算法,这种新算法被称为脉冲传播SpikeProp算法。不管怎样,在理论上它已经试验并成功解决了XOR问题,但它还未经传统神经网络处理过的现实数据广泛试验。所以为了能通用地将脉冲神经网络用于任何数据,本论文研究比较传统神经网络与脉冲神经网络之间的适宜性能。 两者的性能比较采用误差平方和与标准偏方差来度量。十个数据集用于反向传播和SpikeProp试验,针对两种算法的误差进行比较。结果说明反向传播比脉冲神经网络更适合运用于二分类数据集。可是,脉冲神经网络更适于更复杂的非线性数据集。