Hermopiikkien ajasta riippuva plastisiteetti oppimissääntönä piikittävissä neuroverkoissa

Neuronit ja niiden väliset synapsit kuvataan aivoissa tapahtuvan tietojenkäsittelyn ja laskennan peruspilareina. Tutkielmassa tutkitaan, mitä on biologisten prosessien kautta muodostuva hermopiikkien ajasta riippuva plastisiteetti (engl. Spike-Timing Dependent Plasticity, STDP). STDP:tä on käytetty...

Täydet tiedot

Bibliografiset tiedot
Päätekijä: Pajasmaa, Juuso
Muut tekijät: Informaatioteknologian tiedekunta, Faculty of Information Technology, Informaatioteknologia, Information Technology, Jyväskylän yliopisto, University of Jyväskylä
Aineistotyyppi: Kandityö
Kieli:fin
Julkaistu: 2020
Aiheet:
Linkit: https://jyx.jyu.fi/handle/123456789/73531
Kuvaus
Yhteenveto:Neuronit ja niiden väliset synapsit kuvataan aivoissa tapahtuvan tietojenkäsittelyn ja laskennan peruspilareina. Tutkielmassa tutkitaan, mitä on biologisten prosessien kautta muodostuva hermopiikkien ajasta riippuva plastisiteetti (engl. Spike-Timing Dependent Plasticity, STDP). STDP:tä on käytetty oppimissääntönä erilaisissa piikittävissä neuroverkoissa (engl. Spiking Neural Network, SNN). Tutkielmassa myös perehdytään useaan erilaiseen STDP-oppimissääntöön ja vertaillaan muutamia niistä saatuja tuloksia MNIST-kuvantunnistustehtävässä. Neurons and the synapses between them are thought to be basic building blocks of information processing and computing in the brain. This thesis examines what is the Spike-Timing Dependent Plastiticity (STDP) formed through biological processes. STDP has been used as a learning rule in different kinds of Spiking Neural Networks (SNN). The thesis takes a look on several different STDP learning rules and compares some of those results in an image recognition task using the MNIST-database.