时序信息处理元动力学脉冲神经网络代码

脉冲神经网络(SNNs)已经纳入了更多生物学上合理的结构和学习原理，因此在缩小人工神经网络与自然神经网络之间的差距方面发挥着关键作用。脉冲是稀疏信号，描述了基于阈值事件的膜电位事件和低于阈值的动态计算，为我们提供了一种统一和高效的途径，用于信息表示和计算。受生物网络的启发，其中有限数量的元神经元整合在一起用于各种认知功能，我们提出并构建了Meta-Dynamic Neurons（MDN）来改进SNNs，以便在空间和时间任务上更好地推广网络。MDN采用基本神经元动力学设计，包含膜电位的一阶和二阶段动力学，包括由一些超参数支持的空间和时间元类型。首先从空间（MNIST）和时间（TIDigits）数据集生成MDN，然后扩展到其他各种不同的时空任务（包括Fashion-MNIST、NETtalk、Cifar-10、TIMIT和N-MNIST）。与其他最先进的SNN算法相比，达到了相当的准确性，并且使用MDN的SNN比不使用MDN的SNN具有更好的泛化能力。