基于CNN和FNN的进化神经元模型的快速响应尖峰神经网络（Matlab代码实现）

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3参考文献

🌈4 Matlab代码实现

💥1 概述

FNN网络结构：

（1）FNN可以理解为多层感知机，即：包含多个隐藏层的神经网络

（2）层与层之间是全连接的，即：相邻两层的任意两个节点都有连接

FNN前向传播：

（1）每个神经元以上一层各个节点输出作为输入，通过线性变换（结合偏置）和非线性函数激活，得到这个节点的输出，并传递给下一层的节点

（2）输入层的节点对数据不做任何处理，节点个数等于输入自变量x的维度

（3）输出层的节点个数等于输出因变量y的维度

FNN反向传播：

（1）用神经网络对数据进行建模，就是要找到最合适的参数（权重w和偏置b），对数据进行最佳逼近。通常会设计一个损失函数来度量逼近效果，最优参数应使得损失函数最小化。

（2）神经网络可以视为一个非常复杂的复合函数，求解最优参数时，需要进行链式求导，形成了梯度的反向传播。

（3）常见损失函数：分类问题：交叉熵；回归问题：均方误差

对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

📚2 运行结果

部分代码：

%% Train an example ConvNet to achieve very high classification, fast.

dbstop if error;

addpath(genpath('./dlt_cnn_map_dropout_nobiasnn'));

addpath(genpath('./models'));

addpath(genpath('./util'));

rng('default')

%% Load data and network model

% dataset = 'fashion_mnist';

dataset = 'mnist';

if strcmp(dataset, 'fashion_mnist') == 1

train_images = loadMNISTImages('train-images-idx3-ubyte');

train_labels = loadMNISTLabels('train-labels-idx1-ubyte');

test_images = loadMNISTImages('t10k-images-idx3-ubyte');

test_labels = loadMNISTLabels('t10k-labels-idx1-ubyte');

train_y = zeros(length(train_labels), 10);

for i = 1 : length(train_labels)

train_y(i, train_labels(i)+1) = 1;

end

test_y = zeros(length(test_labels), 10);

for i = 1 : length(test_labels)

test_y(i, test_labels(i)+1) = 1;

end

train_x = double(reshape(train_images,28,28,60000));

test_x = double(reshape(test_images,28,28,10000));

train_y = double(train_y');

test_y = double(test_y');

% Load a trained ANN model

load cnn_fashion_mnist_91.35.mat;

elseif strcmp(dataset, 'mnist') == 1

load mnist_uint8;

train_x = double(reshape(train_x',28,28,60000)) / 255;

test_x = double(reshape(test_x',28,28,10000)) / 255;

train_y = double(train_y');

test_y = double(test_y');

% Load a trained ANN model

load cnn_mnist_99.14.mat;

end

test_x = test_x(:, :, 1:2000);

test_y = test_y(:, 1:2000);

%% Spike-based Testing of a ConvNet

lifsim_opts = struct;

lifsim_opts.t_ref = 0.000;

lifsim_opts.threshold = 1.0;

lifsim_opts.rest= 0.0;

lifsim_opts.dt= 0.001;

lifsim_opts.duration = 0.100;

lifsim_opts.report_every = 0.001;

lifsim_opts.max_rate = 200;

%% Test the original SCNN

scnn = lifsim_scnn(cnn, test_x, test_y, lifsim_opts);

%% Test the Evolutionary Rule

evol_ops.beta = 0.6;

evol_ops.initial_E = 1;

evol_ops.learning_rate = 0.01;

evol_scnn = lifsim_evol_scnn(cnn, test_x, test_y, lifsim_opts, evol_ops);

adap_evol_scnn = lifsim_adap_evol_scnn(cnn, test_x, test_y, lifsim_opts, evol_ops);

% plot_cnn_spikes(scnn);

% plot_cnn_spikes(evol_scnn);

% plot_cnn_spikes(adap_evol_scnn);

%% Show the difference

figure; clf;

time = lifsim_opts.dt:lifsim_opts.dt:lifsim_opts.duration;

plot(time * 1000, scnn.performance);

hold on; grid on;

plot(time * 1000, evol_scnn.performance);

hold on; grid on;

plot(time * 1000, adap_evol_scnn.performance);

legend('SCNN', 'Evol-SCNN', 'Adap-Evol-SCNN');

ylim([00 100]);

xlabel('Time [ms]');

ylabel('Accuracy [%]');

🎉3参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]邹洪建,栾茹.基于FNN的SRM调节器参数自整定的研究[J].微电机,,55(11):75-81.DOI:10.15934/ki.micromotors..11.008.

[2]乔楠.基于SSA-FNN的光伏功率超短期预测研究[J].光源与照明,(10):98-100.

[3]王韬. 基于卷积神经网络的超短脉冲测量[D].山东大学,.DOI:10.27272/ki.gshdu..002930.

🌈4 Matlab代码实现