数字神经系统在线学习:算法,实现,和大规模的设计

Brain-inspired情报是一种机器智能,这是受大脑神经机制和认知行为机制的计算建模和实现了软件和硬件的合作。数字神经系统是基于神经网络(SNN)模型或混合飙升SNN模型。它的目标是使人类认知能力的机器实现各种基于brain-inspired与在线学习机制的性能,从而达到或超过人类智能的水平。

本研究课题重点介绍数字神经系统与在线学习性能,包括算法及其实现。有一些最新进展对人工总体智能的数字神经系统基于以下事实。一系列飙升的神经网络算法是对各种类型的应用程序开发的。它极大地促进神经形态计算的发展,尤其是数字神经系统。提出了一些学习算法,针对终身学习或在线学习的数字神经系统。大型建筑设计可以进一步提高数字神经系统的功能。此外,模拟电路可以集成到数字神经系统实现混合brain-inspired系统。因此,现在的差距是如何集成这些事实来改善数字神经系统的性能。

本研究有关的副主题包括但不限于以下:
数字神经形态——小说SNNs具有在线学习能力的计算
——在线学习建筑大规模的数字神经系统
——在线学习算法终生适应数字神经系统,包括监督学习、元学习、无监督学习,等等。
——深SNN模型和混合SNN模型与小说在线学习算法
——小说《数字神经芯片或系统和数字神经形态组件混合模拟-数字神经形态计算
——Spike-based感知算法或系统基于数字神经形态计算,包括视觉和听觉感知
使用数字神经系统——自适应智能机器人平台