一种用于分类问题的分层尖峰神经系统

生物大脑在解决某些分类任务方面具有自然的能力。对生物可行的尖峰神经元、架构和机制的研究正越来越受到关注，这些研究的人工神经系统与生物观察高度匹配，同时提供高性能的分类效果。尖峰神经P系统（SN P系统）是一类基于生物神经细胞行为的膜计算模型和第三代神经网络，已在多个工程应用中得到使用。此外，SN P系统具有高度灵活的结构，使得通过模仿生物细胞的结构和行为来设计机器学习算法成为可能，而不是在神经网络中存在的过度简化。基于这一方面，本文提出了一种新型的SN P系统，即分层SN P系统（LSN P系统），通过监督学习解决分类问题。所提出的LSN P系统由多层网络组成，包含多个带有自适应权重调整规则的加权模糊SN P系统。该系统采用特定的升维技术和输出神经元选择方法来解决分类问题。使用UCI机器学习库和MNIST数据集的基准数据集获得的实验结果证明了所提LSN P系统的可行性和有效性。更重要的是，所提出的LSN P系统展示了第一种能够在处理实际分类问题中显示出足够性能的SN P系统。