文章来源于蔺想红、王向文《脉冲神经网络原理及应用》
脉冲神经网络模型经过几十年的发展，基于精确定时的脉冲序列编码方式和脉冲驱动的非线性动力学特性，以及高度的自适应和容错性等突出特征，其应用已经涉及各个领域，且取得了很大的进展。
1.信息领域中的应用
在许多问题的处理中，信息来源既不完整，又包含假象，决策规则有时相互矛盾，有时无章可循，这给传统的信息处理方式带来了很大的困难，而神经网络却能很好地处理这些问题，并给出合理的识别与判断。现代信息处理要解决的问题是很复杂的，脉冲神经网络具有更强的函数模拟和分类能力，以及自组织和自学习的功能，可以求解传统方法所不能或难以解决的问题。
脉冲神经网络是真实数据分类(?real-world?data?classification)和时空模式识别?spatio-temporal?pattern?recognition)的常用方法。模式识别是通过对表征事物或现象的各种形式的信息进行处理和分析，并对事物或现象进行描述、辨认、分类和解释的过程。特别是现实世界中获取的时空数据带有时间和空间特征，如视频语音等，这类数据在某固定时刻表现出空间特征，同时总体上又表现出时序特点。因此，时空数据的学习与识别是机器学习研究中极富挑战性的任务，需要发展脉冲神经网络这类新型的计算模型。近年来，脉冲神经网络应用于各种模式识别问题，如语音识别、汽车车牌识别、人脸识别、手写体字符识别、工业故障检测、精确制导等方面，还可用于目标识别与跟踪、机器人传感器图像识别及地震信号的鉴别。
2.生物医学领域中的应用
脉冲神经网络模型是更具生物可解释性的新一代人工神经网络，基于其特有的信息编码与处理方式，一个潜在的应用领域是建模和分析生物神经系统的结构和功能，进一步加深人们对中枢神经系统基本功能和突触可塑性的理解。研究者应用脉冲神经网络建模和分析了小脑(?cerebellum)、皮层微回路(?rtical?microcircuit）、视觉皮层(?visual?cortex)和听觉系统(?auditory?system）等神经子系统。因此，将脉冲神经网络作为建模工具，对生物神经系统进行模拟仿真和定量分析，已成为神经科学研究的一个重要方法。
脉冲神经网络模型的另一个应用是在医学领域，主要原因如下:一方面，由于人体和疾病的复杂性和不可预测性，生物信号在表现形式和变化规律(自身变化与医学干预后变化)上都存在非常复杂的非线性联系，脉冲神经网络是由大量神经元连接而成的自适应动力学系统，具有巨量并行性、分布式存储、自适应学习等功能，可以用它解决生物医学信号分析处理中传统方法难以解决或无法解决的问题;另一方面，大部分医学检测设备输出的数据具有时空特性，如脑电图、脑磁图、功能性核磁共振成像、正电子发射断层扫描等，这些数据是疾病诊断的依据。脉冲神经网络是进行时空模式识别的有效工具，构建基于脉冲神经网络的生物医学信号检测与处理的有效计算模型，对临床诊断具有重要价值。目前的应用研究主要集中在对脑电信号(?electroencephalography)的识别、心电信号(?electrocardiogram)的分析、听觉诱发电位信号的提取、肌电和胃肠电信号(?electrogastrography)的识别、医学图像的识别和处理等方面。
3.社会经济领域中的应用
社会和经济领域获取的大部分数据都包含时间分量，如人口流动、股票市场、商品价格、货款利率等，称这类数据为时间序列数据(?time?series?data)。时间序列数据依于时间变量，表现出时序特点;数据的均值、方差和频率等统计特征随时间变化;取样得到的时间序列数据通常含有噪声，并具有较高的维度。一方面，基于时间序列数据时序性的考虑，将时间序列数据编码为精确定时的脉冲序列，应用脉冲神经网络进行时间序列建模是一种有效的方法。
脉冲神经网络可用于金融时间序列数据的分析与预测，对股票市场、银行汇率和商品价格等数据变动的分析可归结为对影响市场供求关系的诸多因素的综合分析。传统的统计经济学方法因其固有的局限性，难以对变动作出科学的预测，而脉冲神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用脉冲神经网络进行金融数据预测比传统方法更具优势。文献提出了一种多同步脉冲神经网络(?polychronous?spiking?network)模型，该模型可以对股票数据、银行汇率和商品价格的变动趋势进行科学预测，并得到准确客观的评价结果。
4.其他领域中的应用
脉冲神经网络可用于机器人或智能体的控制过程，通过加入自适应的学习机制，使机器人或智能体突现智能行为，在交互环境中表现出更好的性能。机器人的控制器由脉冲神经网络实现，主要的研究工作包括以下几个:①目标跟踪(?target?racking)，在文献中，应用脉冲神经网络构建机器人的目标跟踪控制器，控制器将环境和目标信息编码为脉冲序列，并结合Hebb学习规则对三层脉冲神经网络进行突触权值调整，最终实现了移动机器人在未知环境中的目标跟踪。②趋光性(?phototaxis)，该任务的目标是使机器人朝着光源的方向移动。在文献中，结合STDP学习规则和进化方法训练脉冲神经网络控制器，从而使移动机器人获得趋近光源的理想行为。③路径规划(?path?planning)，文献应用进化脉冲神经网络的发育方法，实现了神经驱动智能体在静态环境和动态环境下的路径规划行为。④障碍躲避(?obstacle?avoidance)，应用脉冲神经网络控制的移动机器人实现避障行为。
从人工神经网络模型的形成开始，它就与心理学就有着密不可分的联系。神经网络抽象于生物神经系统的信息处理功能，神经网络的训练则反映了感觉、记忆、学习等认知过程。人们通过不断研究，改变人工神经网络的结构模型和学习规则，从不同角度探讨着神经网络的认知功能，为其在心理学的研究奠定了坚实的基础。近年来，脉冲神经网络模型已经成为探讨认知、记忆、学习等高级心理机制不可或缺的工具。
虽然脉冲神经网络的研究已经取得了一定的成果，但是还存在许多不足。例如，现有学习算法的适用性不够高，训练速度不够快;目前的应用领域不够宽阔，对复杂问题的求解结果不够精确等。需进一步对生物神经系统进行研究，借鉴神经科学的研究成果，建立新的脉冲神经网络计算模型和学习算法，同时也希望在理论上寻找新的突破点。
预览时标签不可点收录于话题#个上一篇下一篇