尽管经过了几十年的研究，科学家们仍未创造出一种能够与人类视觉皮层的速度和精确度相匹敌的人工神经网络。现在，A*STAR信息通信研究所的李海洲和唐华进以及新加坡的同事提议使用尖峰神经网络(SNN)来解决现实世界的模式识别问题。能够进行这种模式识别的人工神经网络在生物识别、数据挖掘和图像分析等领域将有广泛的应用。

人类非常擅长辨认手写文字和在人群中辨认熟悉的面孔。这种能力来自视觉皮层——位于大脑后部的一个专门区域，用于识别字母、数字和面部特征等模式。这个区域包含一个复杂的神经元网络，这些神经元并行工作，编码视觉信息，学习时空模式，并基于先验知识或从模式中提取的统计信息对物体进行分类。

就像人类的视觉皮层一样，snn通过向“神经元”发射电脉冲，将视觉信息编码为尖峰信号。研究人员表明，SNN采用合适的学习算法可以从国家标准与技术协会(MNIST)混合数据库中识别手写数字，其性能可与支持向量机相媲美，而支持向量机是目前模式识别方法的基准。

他们的SNN具有前馈结构，由三种类型的神经元组成：编码神经元、学习神经元和读出神经元。尽管学习神经元完全有能力在没有监督的情况下识别模式，但研究人员通过在计算中加入监督学习算法来加快速度，这样学习神经元就可以更快地对变化做出反应。

研究人员用来自MNIST的图像测试了SNN的性能，MNIST包含6万张训练图像和1万张手写数字(从0到9)的测试图像。经过多次训练迭代，SNN能够识别数据库中的所有数字。SNN对训练图像的准确率很高(约94%)，对测试图像的准确率中等(约79%)。与支持向量机相比，SNN的编码和学习过程对于训练图像较快，对于测试图像较快。

唐说：“我们利用生物学上的合理机制来建立一个认知系统，能够进行高效的认知计算。”与其他相关工作一起，这篇论文为构建认知计算的尖峰神经系统的一般结构铺平了道路。

（本内容属于网络转载，文中涉及图片等内容如有侵权，请联系编辑删除）