MNIST Recognition Using Unsupervised Biologically Learning

سال انتشار: 1397
محل انتشار: اولین کنفرانس ملی پژوهش های کاربردی در علوم برق ،کامپیوتر و مهندسی پزشکی
کد COI اختصاصی: ECMECONF01_001
زبان مقاله: انگلیسی
تعداد مشاهده: 547

نویسندگان

Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran

چکیده

In this paper, spiking neural networks (SNN) inspired by the model of local cortical population as a biologicalneuro-computing resource for digit recognition was presented. SNN was equipped with spike-based unsupervisedweight optimization based on the dynamical behavior of the excitatory (AMPA) and inhibitory (GABA) synapsesusing Spike Timing Dependent Plasticity (STDP). There are two main reasons why this structure is state of the artcompared to previous works: learning process is compatible with many experimental observations on induction oflong-term potentiation and long-term depression, image to signal mapping created an informative signal of theimage based on sequences of prolate spheroidal wave functions (PSWFs). Cortical SNN compared toearlier related studies recognized MNIST digits more accurate and achieved 96.1% classificationaccuracy with unsupervised learning based on sparse spike activity.

کلیدواژه ها

Spiking Neural Network, STDP, MNIST Recognition, Biologically Learning

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.