Please enable JavaScript.
Coggle requires JavaScript to display documents.
三代神经网络 - Coggle Diagram
三代神经网络
第二代神经网络：解决了非线性的问题，包括添加了隐藏层，激活函数。典型代表：DNN。
第三代神经网络：脉冲神经网络（
SNN
）
区别：第二代和第三代神经网络之间最大的区别在于信息处理性质。第二代神经网络使用了实值计算(real-value)（例如，信号振幅），而SNN则使用信号的时间（脉冲）处理信息。
特点：SNNs中的神经元单元只有在接收或发出尖峰信号时才处于活跃状态，因此它是事件驱动型的，因此可以使其节省能耗。SNN脉冲神经网络增加了时间的维度，有利于持久学习不遗忘；SNN以脉冲的形式，可以以二进制进行学习，更节省能耗
定义：SNN是由海德堡大学和伯尔尼大学的研究人员首次提出[3]，作为一种快速和节能的技术，使用尖峰神经形态基质进行计算。
脉冲神经网络编码
速率编码（Rate Coding）
二进制编码（Binary Coding）
完全时间性编码（Fully Temporal Coding）
延迟编码（Latency Coding）
优点：
SNN是一个动态系统。因此，它在动态过程中表现出色，如语音和动态图片识别
当一个SNN已经在工作时，它仍然可以继续进行学习
训练一个SNN时，你只需要训练输出神经元
然而，SNN通常相较ANN有更少的神经元
由于神经元发送脉冲而不是连续的值，利用了信息的时间呈现，SNNs提高了信息处理的效率和抗噪音能力，可以高效的运作，并相比于ANN，消耗更少的能量
缺点
SNNs训练过程比较困难
到目前为止，还没有专门为这项任务建立的学习算法
目前，建立一个小型的SNN并不实用
第一代神经网络：McCulloch–Pitt感知机
