De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Neurale Netwerken Kunstmatige Intelligentie Rijksuniversiteit Groningen Mei 2005.

Verwante presentaties


Presentatie over: "Neurale Netwerken Kunstmatige Intelligentie Rijksuniversiteit Groningen Mei 2005."— Transcript van de presentatie:

1 Neurale Netwerken Kunstmatige Intelligentie Rijksuniversiteit Groningen Mei 2005

2 hc 10 Spiking neurons Spiking neurons stof: artikel stof: artikel

3 overzicht inleiding inleiding l l

4 drie generaties 1.threshold transfer function 2.continuous transfer function (bv sigmoid) 3.spike trains (integrate-and-fire) beschouwing biologische plausibiliteit: elke generatie meer natuurgetrouw dan de vorige beschouwing computationele kracht: 1 is universeel voor digitale functies 2 en 3 ook voor analoge functies 3 heeft een hogere uitdrukkingskracht dan 2 (met minder neuronen kun je hetzelfde)

5 biologische neuronen menselijk zenuwstelsel: ±100 miljard neuronen 1 mm 3 cortex: ± neuronen met elk ± verbindingen naar andere neuronen (kilometers axonen/dendrieten per mm 3 ) neural staining:

6 biologische neuronen axon synaps dendriet axon synaps cellichaam (soma) synaptic efficacy is BIOLOGISCHE TEGENHANGER van gewicht

7

8 biologische neuronen uitleg termen op p. 12, 13 boek

9 dendrieten: activatie uit dendrieten depolariseert of hyperpolariseert het mebraan (PostSynaptic Potential) depolarisatie werkt exciterend (EPSP) hyperpolarisatie werkt inhiberend (IPSP) graded potentials axon: rust potentiaal axon: -70 mV met binnenkant neuron negatief (firing threshold -50 mV) als de PSPs genoeg activatie veroorzaken, dan ontstaat een aktiepotentiaal all-or-nothing potentials Hodgkin & Huxley (1952)

10 4 s spikes in 30 visual cortex cells benodigde tijd voor visuele verwerking!

11

12

13

14

15

16

17

18 informatieoverdracht tussen biologische en kunstmatige neuronen spiking neurons gebruiken spike patronen standaard kunstmatige neuronen gebruiken activatie tussen 0 en 1 axon activatie: spikingnonspiking 00 f max 1

19 PSPs vs actiepotentialen gradedvsall-or-nothing EPSPs, IPSPsvsspike trains integrate-and-fire (spike 1-2 ms) informatie in aantal spikes en de timing van losse spikes (relative/absolute) refractory period (10 ms) beperkt vuurfrequentie

20 NV neural viewer recovery periods, flames edge detector interaural

21 neurale dynamica intracellular clamp: potentiaal verschil meten tussen binnen en buiten de cel clamp voorbeelden u i (t) – u rest = ε ij EPSP in neuron i veroorzaakt door spike van neuron j: ε ij (t – t j (f) ) clamp

22

23 parameters η 0, τ, Δt > 0 wiskundig model SRM 0 zie artikel voor uitleg functionaliteit en symbolen

24 verschillende PSPs actie potentiaal (blauw) niet in goede proportie verschil in teken (IPSP, EPSP), verschil in hoogte verschil in lengte vertraging in modellen hebben alle PSPs vaak dezelfde vorm, rechthoekig of driehoekig meestal

25 netwerk types MLP, Hopfield, Kohonen, Elman,... leren: algoritmes moeten aangepast worden, maar het idee is hetzelfde

26 beperkingen van SRM 0 alle PSPs hebben dezelfde vorm –PSPs niet afhankelijk van de toestand van het neuron dynamica alleen afhakelijk van laatste spike –geen adaptatie –geen bursting neurons –geen inhibitory rebound spike bij veel input spikes tellen de PSPs niet lineair op (in biologische neuronen) uitgebreidere modellen...

27 spiking neurons in hardware [3], [4] geen tentamenstof VLSI systems can use data representations of either binary (digital VLSI) or continuous (analog VLSI) voltages. Progress in digital technology has been tremendous, providing us with ever faster, more precise and smaller equipment. In digital systems an energy-hungry synchronisation clock makes it certain that parts are ready for action. Analog systems consume much less power and space on silicon than digital systems (in many orders of magnitude) and are easily interfaced with the analog real world. However, their design is hard, due to noise computation is fundamentally (slightly) inaccurate and sufficiently reliable non-volatile analog memory does not (yet) exist [20,4]. Hybrid (noise resistant digital communication and memory, cheap analog computation)

28 referenties [1] W. Gernster, W.M. Kistler (2002) Spiking neuron models: single neurons, populations, plasticity. Cambridge university press [2] W. Maass (1997) Networks of spiking neurons: the third generation of neural network models. Journal unknown (Elsevier press) [3] J. Vreeken (in press) Spiking neural networks, an introduction. [4] G. Indeviri et al. (2002) A competitive network of spiking VLSI neurons. Journal unknown [5] J. W. Kalat (2001) Biological Psychology. Wadsworth Thomson learning

29 laatste college aanstaande woensdag voorbeeld-tentamen-vragen voorbeeld-tentamen-vragen practicum: feedback en ruimte voor vragen practicum: feedback en ruimte voor vragen


Download ppt "Neurale Netwerken Kunstmatige Intelligentie Rijksuniversiteit Groningen Mei 2005."

Verwante presentaties


Ads door Google