Clustering non supervisé avec des neurones à impulsions par codage temporel sparse et réseaux RBF multicouches

Nous démontrons que les réseaux de neurones à impulsions encodant l'information dans le timing des impulsions uniques sont capables de calculer et d'apprendre des clusters à partir de données réalistes. Nous montrons comment un réseau de neurones à impulsions basé sur le codage du temps d'impulsion et l'apprentissage hebbien peut réaliser avec succès un clustering non supervisé sur des données du monde réel, et nous démontrons comment la synchronie temporelle dans un réseau multicouche peut induire un clustering hiérarchique. Nous développons un encodage temporel de données à valeurs continues pour obtenir une capacité de clustering ajustable et précise avec une utilisation efficace des neurones : les variables d'entrée sont codées dans un code de population par des neurones avec des profils de sensibilité gradués et superposés. Nous discutons également des méthodes pour améliorer la sensibilité à l'échelle du réseau et montrons comment la synchronisation induite des neurones au sein des premières couches RBF permet la détection ultérieure de clusters complexes.