基于学习机理的脉冲神经膜系统研究

Biological neural systems contain plenty of computing intelligent. Their specific biological functioning and structures have provided rich source for designing high performance computing models. Spiking neural membrane systems are known as a class of bio-computing models, which are inspired by the way neurons communicate with each other by means of spikes. The systems perform well on doing computation and have important applications in various fields. The main scientific problem in spiking neural membrane systems is that learning mechanism has not been fully considered in the systems; as well the potential applications of the systems also need to be further developed. In this project, the aim is to study spiking neural membrane systems based on learning mechanism and their applications. Specifically, the project focuses on constructing spiking neural membrane systems with learning mechanism, improving the performance of spiking neural membrane system on doing computation, adding computation theories of the systems, and then finding feasible applications in pattern recognition by spiking neural membrane systems. The main content of the project is as follows: (1) studying the way to construct spiking neural membrane systems with learning mechanism and their computation theories; (2) constructing models and algorithms for pattern recognitions by using spiking neural membrane systems; (3) developing software and simulating system for spiking neural membrane systems with learning mechanism. The study of spiking neural membrane systems based on learning mechanism can provide new method to construct high performance, highly parallel and tolerant computing devices, as well can give new methods to design computing models and algorithms for pattern recognition..

生物神经系统所特有的生化功能与结构为生物计算提供了丰富的计算模型。脉冲神经膜系统是受神经元以脉冲的方式传递信息的功能启发而设计的生物计算模型，其研究的主要科学问题是充分发挥系统所蕴含的生物机理与计算智能，在高性能计算模型开发、大规模存储、大规模并行计算，以及实际应用等方面发挥其优势。本项目研究基于学习机理的脉冲神经膜系统，旨在充分利用神经系统执行学习的生物机理，提升脉冲神经膜系统的计算性能，进而探索其在模式识别领域的应用，主要研究内容包括：（1）具有学习机制的脉冲神经膜系统的建立及其计算理论研究；（2）基于具有学习机制的脉冲神经膜系统的模式识别计算模型建立与算法设计；（3）具有学习机制的脉冲神经膜系统的仿真软件开发。这方面的研究成果可以提升脉冲神经膜系统的计算性能，为发展高性能、高并行性、高容错性的计算装置提供新计算模型，也可为模式识别提供新的计算模型与算法。

本项目研究基于学习机理的脉冲神经膜系统，旨在充分利用神经系统执行学习的生物机理，提升脉冲神经膜系统的计算性能，进而探索其在模式识别领域的应用，主要研究具有学习机制的脉冲神经膜系统的建立及其计算理论；设计基于具有学习机制的脉冲神经膜系统的模式识别计算模型和算法；开放具有学习机制的脉冲神经膜系统的仿真软件。本项目按照项目执行计划书执行，在以下方面取得了阶段性研究成果：..（1）建立了自组织脉冲神经膜系统，阐明其计算能力，建立了最大激发工作模式下，突触上包含激发规则的脉冲神经膜系统，提出了利用带星细胞的异步脉冲神经膜系统产生语言的方法，建立了具有协同规则的脉冲神经膜系统，提出了一种由8个神经元构成的计算通用的脉冲神经膜系统，建立了带有需求规则的脉冲神经膜系统，通过使用需求规则神经元可以从环境中感应数据，提出了具有白洞神经元的脉冲神经膜系统。..（2）发展了基于脉冲神经膜系统的细胞核输出信号识别方法。设计了细胞核输出信号的识别系统，包括数据读入模块，数据存储模块，神经元激发策略，学习算法等。构造了脉冲神经膜系统的“三层环”拓扑结构，发展了突触权值随神经元激发等步长的类Hebbrian训练方法，将提出的学习算法和模型应用到手写字母识别领域。..（3）基于Matlab开发了脉冲神经膜系统的仿真计算系统，基于Java开发了基于脉冲神经膜系统的图形图像处理软件，­基于C++实现了基于具有学习函数的脉冲神经膜系统在手写字母识别中的应用。..这方面的研究成果可以提升脉冲神经膜系统的计算性能，为发展高并行性、高容错性的计算装置提供新计算模型，也可为模式识别提供新的计算模型与算法。