基于神经元活跃度的新型脉冲神经网络学习算法及其性能优化研究

本文推荐一篇创新性研究论文，作者提出基于神经元活跃度（neuronal activity degree）的新型SNN（脉冲神经网络）学习算法ADSNN，通过高斯函数量化神经元放电时间差异，将传统SpikeProp算法与神经元间期信息融合，显著提升了网络在5个静态数据集和2个神经形态数据集上的分类准确率、泛化性和稳定性。该研究为SNN的生物可解释性学习机制提供了新思路。

　　

亮点

我们提出名为ADSNN的新型学习算法，利用高斯函数定义神经元活跃度来区分神经元差异并调整突触权重。这一操作显著提升了网络性能。

创新点

• 定义被现有SNN忽视的神经元活跃度概念，提取更多神经元信息以丰富SNN学习内容，该概念可应用于其他SNN学习算法

• ADSNN在5个基准静态数据集上提升了SNN的准确率、泛化性和稳定性，在2个神经形态数据集上提高了分类精度

结论

本文基于生物神经网络和SNN中神经元放电耗时的差异性，提出神经元活跃度新概念来提取潜在间期信息，并将其嵌入SNN学习过程。该算法促使高活跃度神经元在突触权重变化中产生更大影响，本质上帮助SNN根据输入数据动态更新信息。

作者贡献声明

张璐：论文撰写（初稿）、方法论、审校、验证、软件实现

刘芳：审校、方法论、数据整理、验证、软件实现

杨杰：项目指导、资金支持、方法论、审校

吴伟：项目指导、审校、方法论

利益冲突声明

作者声明不存在可能影响本研究的财务或个人利益冲突

张璐简介

获内蒙古大学数学与应用数学学士学位，现为大连理工大学计算数学专业研究生，研究方向包括机器学习与脉冲神经网络理论。

（注：翻译严格遵循原文学术表述，保留SRM（脉冲响应模型）、LIF（漏积分发放模型）等专业术语缩写，使用_i^j规范标注下标，并采用生动句式如"突触权重变化中产生更大影响"替代机械直译）