知识卡片
SNN是时空双重累加
把 LIF 的输入输出离散成二值 Spike 序列,就得到 SNN:神经元在时间窗内对前端脉冲按核函数 K 加权求和,累加到阈值则发放。这里有两重求和——对多个前端神经元的空间域加权,和对同一前端在时间窗内多个脉冲的时间域衰减累加,所以每个神经元收到的不是一个向量,而是一个二维 Spike 模式,是真正的时空计算模型;连续 LIF 只是它在频率编码下的特例。核函数 K(Δt) 随 Δt 增大而减小,表示近期脉冲影响更大,指数衰减最常见。工程上用“时间深度”控制代价:TW=1 时只看上一拍,只需缓存一拍,TrueNorth 即如此;TW>1 时脉冲在多个时间拍内持续影响后端,表达更丰富但要存多拍状态。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第8章 类脑计算平台及其目标检测与跟踪应用 · 查看原书依据
在式(8.2)中,若时间窗TW=1,则神经元当前累加的输入信息仅包括上一个最近时间步的前端Spike信号,而与更早时刻之前发生的Spike信号无关。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第8章 类脑计算平台及其目标检测与跟踪应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt008.html)
- 结论依据:把 LIF 的输入输出离散成二值 Spike 序列,就得到 SNN:神经元在时间窗内对前端脉冲按核函数 K 加权求和,累加到阈值则发放。
- 原始内容:在式(8.2)中,若时间窗TW=1,则神经元当前累加的输入信息仅包括上一个最近时间步的前端Spike信号,而与更早时刻之前发生的Spike信号无关。