导读:本文包含了液体状态机论文开题报告文献综述及选题提纲参考文献，主要关键词:脉冲神经网络,液体状态机,突触可塑性,自组织网络
液体状态机论文文献综述
官航[1]（2017）在《基于突触可塑性的液体状态机优化研究》一文中研究指出脉冲神经网络(spiking neural network,SNN)常被称为第叁代人工神经网络,相比传统神经网络,脉冲神经网络采用更符合生物网络的脉冲神经元模型以及更复杂的突触模型来进行信息的传递。脉冲神经元的使用使得网络具有脉冲编码的能力,而脉冲编码被认为是人脑能够快速处理复杂信息能力的基础,因此相对传统人工神经网络的频率编码方式能够提升网络的信息处理能力。液体状态机模型(liquid state machine,LSM)是一种特殊的脉冲神经网络模型,它的网络部分是递归连接,称之为储备池,采用类似网络结构的模型也称之为储备池计算。储备池赋予了液体状态机实时计算的能力,因此模型不需要通过网络状态的收敛来得到输出。脉冲神经网络通过突触进行连接的,突触可塑性是指突触的功能发生改变,通常是连接权值的改变。本文对液体状态机模型和突触可塑性进行了研究,实现了对液体状态机模型的优化。突触整合能力是脉冲神经网络信息传递的基础,它包括空间信息整合和时间信息整合。本文基于突触整合的原理,研究了提高液体状态机在时间模式分类上的准确率。从空间整合的角度,应用放电时间依赖的突触可塑性(spike-timing-dependent plasticity,STDP)来构建自组织的网络,实验表明该自组织网络能够有效提高网络的表现。从时间整合的角度,本文研究了突触整合参数对网络性能的影响,结果表明对于简单的时间模式分类来说,增大突触整合参数能够有效提升网络的表现。生物神经系统由80%的兴奋性神经元和20%的抑制性神经元组成,兴奋性神经元在信息传递中扮演者重要角色,同时抑制性神经元也是生物网络中必不可少的部分,它能够使网络的放电平稳地进行。本文上述研究的基础上加入抑制性神经元,并结合兴奋性突触可塑性和抑制性突触可塑性来构建自组织网络。实验表明,和原始的液体状态机对比,混合突触可塑性的组织网络能够有效抑制兴奋性神经元的放电噪声,增强网络放电的同步性,从而可以提高液体状态机的在时间序列分类任务上的表现。(本文来源于《重庆大学》期刊2017-04-01）
陈清[2]（2017）在《Spiking神经网络的动态特性对液体状态机的影响研究》一文中研究指出近年来,Spiking神经网络(Spiking Neural Network,简称SNN)因其以非常接近生物的神经元模型作为信息处理单元,吸引了众多学者的广泛关注和高度重视。相比于传统基于模拟信号实现信息交流的人工神经网络(Artificial Neural Network,简称ANN),Spiking神经网络则利用神经元放电时间编码的方式来实现信息的表示和传递,可以表现出真实生物系统丰富的动态特性。液体状态机(Liquid State Machine,简称LSM)是一种基于SNN的神经计算模型,其液体层(隐含层)是一个由若干神经元相互连接组成的递归型SNN。现有研究结果表明,液体状态机在计算速度和计算精度等方面表现尤为突出,而这得益于SNN的丰富动态特性,因而深入研究SNN的动态特性对液体状态机的计算能力的影响具有重大意义。本文从网络的放电模式和自组织临界动力学行为两个方面来研究SNN的动态性能对液体状态机计算能力的影响。真实生物神经元具有多种放电模式,峰放电和簇放电是两种最典型的放电模式。峰放电是每次放电只产生一个单脉冲,而簇放电表现为短时间内多个脉冲连续产生的过程。本文通过比较具有不同放电模式的SNN来分析放电模式对液体状态机的影响。通过构建基于MATLAB的仿真平台,设计脉冲信号重构以及脉冲序列分类两大任务,仿真结果表明,与峰放电相比,高频的簇放电模式能明显增强液体状态机的计算能力。自组织临界动力学行为是复杂网络的一个重要现象。处于自组织临界态的网络具有雪崩大小呈幂律分布、熵最大化、鲁棒性等特征。本文首先研究了具有不同拓扑结构的网络的自组织临界动力学行为,包括未经学习的随机网络、经过非对称放电时间依赖突触可塑性(Spike Timing Dependent Plasticity,简称STDP)学习后的网络以及经过非对称STDP和内部可塑性(Intrinsic Plasticity,简称IP)共同学习后的网络,并将处于临界态的网络应用到液体状态机的液体层中。仿真计算结果表明,当网络处在临界态时,网络的计算能力会显着增强.。此外,我们发现,网络学习不仅可以使网络更接近临界态,而且可以增强临界区域的鲁棒性。上述研究成果很大程度上推动了对网络的动态特性与网络功能两者之间关系的探索和研究。(本文来源于《重庆大学》期刊2017-04-01）
周世官,李国君,郑燕[3]（2016）在《基于液体状态机的模拟电路故障诊断方法》一文中研究指出针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用Matlab和PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明:该方法和目前应用最广泛的BP神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。(本文来源于《兵工自动化》期刊2016年08期）
刘辉[4]（2016）在《基于改进液体状态机的手写数字识别技术研究》一文中研究指出手写数字识别技术是利用计算机自动辨认手写阿拉伯数字的方法,通常是文献检索、办公自动化、邮件分拣、银行票据处理等系统的核心和关键。由于识别对象特有的复杂性,现有方法停留在一般的模式识别阶段,并没有很好利用知识进行启发诱导,也没能模拟人脑思维过程。为此探讨一种利用类脑结构解决手写数字识别的方法具有重大的现实意义。液体状态机(liquid state machine,LSM)作为一种典型的类脑模型,为解决手写数字识别问题打开了新思路,其储备池结构作为关键处理单元,直接影响模型的精度。由此本文围绕手写数字识别问题,从仿生网络的基本特征多簇和自组织特性出发对液体状态机进行了改进,构建了自组织分簇和分簇自组织网络。自组织分簇网络是利用周期性的电流输入,神经元的放电频率可控,在对称放电时间依赖的突触可塑性(spike-timing-dependent plasticity,STDP)学习机制下,相邻神经元接收相同信号的连接会不断加强,进而出现分簇特征;分簇自组织网络是利用基于时间窗的皮质层生成算法构建多簇的拓扑结构,在此基础上利用非对称STDP学习定义神经元之间的连接强度。由于脑网络的结构功能与其动力学密切相关,本文对两种网络都进行了动力学分析,表明构建网络的优越性,并对两种基本的放电模式(峰放电和簇放电)自组织演化形成的分簇结构也进行了研究。并利用分簇自组织网络优化储备池结构,引入信号重构问题确定液体状态机各参数的大小,建立改进的液体状态机模型。最后利用美国邮政数据MNIST数据库作为数据来源,将手写数字图片输入转换为一系列的脉冲输入,利用信号重构的思想,分别训练每个输出神经元的连接权值,最终得到识别结果。为了节约计算成本,降低能耗,对图片进行了归一化处理。本方法作为液体状态机在手写数字识别任务的首次尝试比2013年Mass提出的用SNN来解决手写数字识别问题具有更明显的优势。用LSM实现手写数字识别关键在于脉冲序列的分类,最后从一个脉冲序列四分类任务中可以看出本方法还有很大的优化空间,对手写数字识别问题具有较大的潜力。(本文来源于《重庆大学》期刊2016-04-01）
张冠元,王斌[5]（2013）在《一种基于液体状态机的音乐和弦序列识别方法》一文中研究指出文中提出一种基于液体状态机的音乐和弦序列识别方法.该方法首先将音乐信号进行切分采样并对每帧提取音级轮廓(PCP),经训练后得到一个液体状态机模型.方法提出两类奇异矩阵、和弦出现概率向量、和弦变换矩阵,它们可用在和弦序列后处理阶段.在神经网络模型、隐马尔科夫模型、回声状态网络模型、液体状态机模型上进行的初步实验得到8组实验数据.数据表明液体状态机模型对音乐和弦序列具有较好的识别效果,文中提出的后处理算法也能显着提高识别准确率.(本文来源于《模式识别与人工智能》期刊2013年07期）
黄江帅[6]（2009）在《基于液体状态机的脑运动神经系统的建模研究》一文中研究指出脑机接口是一种实现大脑直接与外界环境进行沟通并进行控制的新技术。随着多通道神经元信号采集技术与计算机控制技术的日益成熟,从大脑皮层神经元群体活动中提取运动信息的解码算法是整个脑机接口系统实现脑信号与外界环境联系的关键部分。本文针对脑运动神经系统的建模与辨识问题,深入研究了从大脑运动皮层神经元脉冲序列信号中提取关于生物具体运动行为信息的解码算法。本文的实验对象是猴子运动大脑皮层脉冲数据与它的肢体运动的姿态的建模关系,对大脑运动皮层神经元脉冲序列信号的建模的工作主要是集中在对采样的各个方向运动的脉冲数据进行方向分类以及轨迹拟合。本文首先介绍了液体状态机(Liquid State Machine,LSM)这种神经网络模型。液体状态机是一种新型的回归神经网络,采取的神经元是Leaky-Integrate-and-Fire(LIF)模型神经元。由于它能够直接接受和处理脉冲,脉冲序列不再需要像频率编码的处理模式一样转变成频率序列,使得以这种方式处理能够大幅度提高建模精度。实验结果表明对于脑神经脉冲序列的处理它是一种合适的计算模型。为了提高实验的建模精度并且有效地避免液体状态机在随机生成时带来的问题,本文还用粒子群算法对液体状态机的中间回路的连接权值进行优化,以提高其分类能力,实验结果证实,采用PSO优化后的LSM的分类能力有了大幅度提高。最后针对本文中问题的独特性,本文提出了改进型的液体状态机并且应用它来对本文的实验数据进行分类与建模研究。从分类问题的分类精度和轨迹拟合可以看出本文提出的改进型更能够适用于本文的特定实验。(本文来源于《华中科技大学》期刊2009-05-01）
王坤[7]（2009）在《液体状态机在足球机器人路径规划中的应用》一文中研究指出机器人路径规划技术是现代机器人控制领域内的一个焦点问题,也是机器人避障比赛中的核心技术。作为一种新型循环神经网络,液体状态机具有对数据大规模并行处理及对知识有较强的融合能力等良好的特性,引起越来越多的关注。本文在综合分析大量最新研究成果的基础上,将液体状态机应用到机器人路径规划之中。主要完成以下研究工作。首先,描述了足球机器人,特别是类人机器人比赛的现状和特点。然后,综合分析了液体状态机的结构特点,运行机制及学习方法。最后,分析了机器人路径规划的特点与技术要求,并给出了液体状态机在其中应用的具体方案,通过仿真与实际比赛验证了方案的合理性。(本文来源于《武汉工程大学》期刊2009-05-01）
液体状态机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,Spiking神经网络(Spiking Neural Network,简称SNN)因其以非常接近生物的神经元模型作为信息处理单元,吸引了众多学者的广泛关注和高度重视。相比于传统基于模拟信号实现信息交流的人工神经网络(Artificial Neural Network,简称ANN),Spiking神经网络则利用神经元放电时间编码的方式来实现信息的表示和传递,可以表现出真实生物系统丰富的动态特性。液体状态机(Liquid State Machine,简称LSM)是一种基于SNN的神经计算模型,其液体层(隐含层)是一个由若干神经元相互连接组成的递归型SNN。现有研究结果表明,液体状态机在计算速度和计算精度等方面表现尤为突出,而这得益于SNN的丰富动态特性,因而深入研究SNN的动态特性对液体状态机的计算能力的影响具有重大意义。本文从网络的放电模式和自组织临界动力学行为两个方面来研究SNN的动态性能对液体状态机计算能力的影响。真实生物神经元具有多种放电模式,峰放电和簇放电是两种最典型的放电模式。峰放电是每次放电只产生一个单脉冲,而簇放电表现为短时间内多个脉冲连续产生的过程。本文通过比较具有不同放电模式的SNN来分析放电模式对液体状态机的影响。通过构建基于MATLAB的仿真平台,设计脉冲信号重构以及脉冲序列分类两大任务,仿真结果表明,与峰放电相比,高频的簇放电模式能明显增强液体状态机的计算能力。自组织临界动力学行为是复杂网络的一个重要现象。处于自组织临界态的网络具有雪崩大小呈幂律分布、熵最大化、鲁棒性等特征。本文首先研究了具有不同拓扑结构的网络的自组织临界动力学行为,包括未经学习的随机网络、经过非对称放电时间依赖突触可塑性(Spike Timing Dependent Plasticity,简称STDP)学习后的网络以及经过非对称STDP和内部可塑性(Intrinsic Plasticity,简称IP)共同学习后的网络,并将处于临界态的网络应用到液体状态机的液体层中。仿真计算结果表明,当网络处在临界态时,网络的计算能力会显着增强.。此外,我们发现,网络学习不仅可以使网络更接近临界态,而且可以增强临界区域的鲁棒性。上述研究成果很大程度上推动了对网络的动态特性与网络功能两者之间关系的探索和研究。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
液体状态机论文参考文献
[1].官航.基于突触可塑性的液体状态机优化研究[D].重庆大学.2017
[2].陈清.Spiking神经网络的动态特性对液体状态机的影响研究[D].重庆大学.2017
[3].周世官,李国君,郑燕.基于液体状态机的模拟电路故障诊断方法[J].兵工自动化.2016
[4].刘辉.基于改进液体状态机的手写数字识别技术研究[D].重庆大学.2016
[5].张冠元,王斌.一种基于液体状态机的音乐和弦序列识别方法[J].模式识别与人工智能.2013
[6].黄江帅.基于液体状态机的脑运动神经系统的建模研究[D].华中科技大学.2009
[7].王坤.液体状态机在足球机器人路径规划中的应用[D].武汉工程大学.2009