液体状态机研究进展

ZHANG Yongqiang, NI Shanshan, SONG Meilin,MAN Menghua

Software Engineer（2023）

引用 0|浏览0

暂无评分

摘要

液体状态机(Liquid State Machine,LSM)具有实时计算和仿生的特点,在处理时间序列数据上具有巨大潜力.为了研究如何提高神经网络模型训练性能,降低计算复杂度,文章首先梳理和回顾了近几年相关研究文献,其次提出硬件实现和软件模型两个优化思路,并总结了不同优化方法的优势与不足,硬件和软件上的优化可以提高神经网络模型学习性能和训练速度,但依然存在可控性差、算法最优解未知等问题,最后针对以上问题对未来的研究方向进行了展望,可为时间序列数据处理和模式识别领域提供优化思路.

关键词

spiking neural network,reserve pool layer,Liquid State Machine,genetic algorithm

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要