1 / 16

Spikende Neuronale Netze

Spikende Neuronale Netze . Proseminar Technische Informatik SS 2002 Dominik Brugger. Übersicht. Übersicht. Einleitung/Motivation Codierungsstrategien Mathematische Modelle Anwendungsbeispiel Ergebnisse/Zusammenfassung. Einleitung/Motivation.

accalia
Download Presentation

Spikende Neuronale Netze

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Spikende Neuronale Netze Proseminar Technische Informatik SS 2002 Dominik Brugger

  2. Übersicht Übersicht • Einleitung/Motivation • Codierungsstrategien • Mathematische Modelle • Anwendungsbeispiel • Ergebnisse/Zusammenfassung Proseminar - Technische Informatik

  3. Einleitung/Motivation Spikende Neuronale Netze (SNN) sind die 3. Generation von Neuronalen Netzwerkmodellen. • 1. Generation: • Aktivierungsfunktion: Schwellenwertfunktion • Beispiel: binäres Perzeptron Einleitung/Motivation • 2. Generation: • Aktivierungsfunktion:sigmoid/linear gesättigt • Ausgabe: kontinuierlich, reele Zahl • Beispiel: Backprop, Feedforward Netze, SOM • SNN: • Aktivierung: zeitabhängig; ergibt sich aus der Integration von Spikes • Ausgabe: Zeitpunkte der Spikes Proseminar - Technische Informatik

  4. Einleitung/Motivation Was ist ein Spike ? Einleitung/Motivation Spike = Aktionspotential (AP) Ein Spike/AP wird genau dann ausgelöst, falls das graduierte synaptische Potential größer als der Schwellenwert des Neurons ist. Proseminar - Technische Informatik

  5. Einleitung/Motivation Biologisches Beispiel: Richtungshören bei der Schleiereule: Einleitung/Motivation „Winner takes all“ Geräuschquelle Proseminar - Technische Informatik

  6. Einleitung/Motivation Biologisches Beispiel: Richtungshören bei der Schleiereule: Einleitung/Motivation „Winner takes all“ Geräuschquelle Proseminar - Technische Informatik

  7. Einleitung/Motivation Vorteile von SNN: • größere Berechnungsstärke • können Netzwerkmodelle der 2. Generation simulieren • benötigen weniger Neuronen Nachteile: • höherer Rechenaufwand • für praktischen Einsatz aufgrund fehlender Lernverfahren bislang ungeeignet Einleitung/Motivation Proseminar - Technische Informatik

  8. Codierungsstrategien 1. Frequenzcodierung: Codierungsstrategien 2. Delaycodierung: Proseminar - Technische Informatik

  9. Codierungsstrategien 3. Phasencodierung: Codierungsstrategien Proseminar - Technische Informatik

  10. Mathematische Modelle Arten von mathematischen Modellen: • Threshold/Fire-Modelle: • Spike-Response Modell (SRM) • Integrate-And-Fire Modell • Conductance-Based Modelle: • Hodgkin-Huxley Modell • Compartmental Modell Was muß für das SRM modelliert werden ? • Postsynaptisches Potential • Refraktärzeit • Membranpotential des Neurons Genauigkeit Mathe-matische Modelle Proseminar - Technische Informatik

  11. Mathematische Modelle Postsynaptisches Potential/Refraktärzeit: Spike des Neurons q Mathe-matische Modelle e Präsynaptische Spikes w1 q w2 Proseminar - Technische Informatik

  12. Mathematische Modelle • Postsynaptisches Potential: • Refraktärzeit: • Membranpotential des Neurons: • Das Neuron „feuert“ falls folgende Bedingung erfüllt ist: Mathe-matische Modelle Proseminar - Technische Informatik

  13. Anwendungsbeispiel Problemstellung: Roboter soll möglichst weit in 40 Sek. fahren, ohne mit den Wänden der Arena zu kollidieren. Dabei wird der Startpunkt zufällig gewählt. Anwendungsbeispiel Proseminar - Technische Informatik

  14. Anwendungsbeispiel Aufbau des SNN: • Eingabe: Wert im Intervall [0,1] Wahrscheinlichkeit für einen Spike des sensorischen Neurons. 16 + 2 sensorische Neuronen 10 vollständig verbundene Neuronen von denen 4 als Motorneuronen dienen Anwendungsbeispiel • Ausgabe: Feuerrate eines Motorneurons Geschwindigkeit der Räder. Proseminar - Technische Informatik

  15. Anwendungsbeispiel • Lernen erfolgt durch setzen/löschen einer Verbindung und der Art eines Neurons (exzitatorisch/inhibitorisch) • „Training“ des Netzwerkes erfolgt durch einen genetischen Algorithmus: • Jedes Individuum entspricht einem SNN • Auswahl erfolgt über eine Fitnessfunktion • Mutation • Cross-Over Anwendungsbeispiel Proseminar - Technische Informatik

  16. Ergebnisse/Zusammenfassung • Es ist möglich mit SNN einen Controller für das vorgestellte Navigationsproblem zu entwickeln. • Der Controller benutzt Frequenzcodierung und keine Delay-Codierung, wahrscheinlich wegen der frequenzcodierten Ansteuerung der Räder. • Weitere technische Einsatzmöglichkeiten von SNN sind noch Teil der Forschung. • Eine weitere Möglichkeit SNN zu trainieren besteht seit kurzem durch den an das klassische Backpropagation angelehnten SpikeProp-Algorithmus. Ergebnisse/Zusammen-fassung Proseminar - Technische Informatik

More Related