我们在Nengo框架上介绍了基于纯净的神经网络（SNN）的基于稀疏分布式存储器（SDM）。我们基于Furber等人，2004年之前的工作，使用N-y-y of-of-modes实现SDM。作为SDM设计的组成部分，我们已经在Nengo上实现了使用SNN的相关矩阵存储器（CMM）。我们的SNN实施采用漏水集成和火（LIF）在Nengo上尖刺神经元模型。我们的目标是了解基于SNN的SDMS与传统SDMS相比如何进行。为此，我们在Nengo模拟了基于常规和基于SNN的SDM和CMM。我们观察到基于SNN的模型类似于传统的模型。为了评估不同SNN的性能，我们使用Adaptive-Lif，Spiking整流线性单元和Izhikevich模型重复实验并获得了类似的结果。我们得出结论，使用内存的神经元制定一些类型的关联存储器，其内存容量和其他功能类似于没有SNN的性能，确实可行。最后，我们已经实现了一个应用程序，其中使用N-M个代码编码的Mnist图像与其标签相关联并存储在基于SNN的SDM中。
translated by 谷歌翻译
在许多生物医学应用中，开放和闭合解剖表面的参数化具有基本的重要性。球形谐波，在单元球上定义的一组基函数，广泛用于解剖结构描述。然而，在物体表面和整个单元球之间建立一对一的对应关系可以引起大的几何失真，以便表面的形状与完美球体过于不同。在这项工作中，我们提出了具有简单连接的打开和闭合表面的自适应区域保护的参数化方法，该封闭表面具有参数化为球形帽。我们的方法优化参数域的形状以及从对象曲面到参数域的映射。物体表面将以面部保存的方式全局映射到单位球的最佳球形帽区域，同时也表现出低保形失真。我们进一步开发了一组在自适应球形帽结构域中定义的一组球形谐波的基本函数，我们称之为自适应谐波。实验结果表明，所提出的参数化方法在面积和角度失真方面优于开放和闭合解剖表面的现有方法。使用自适应参数化和自适应谐波的新颖组合可以有效地实现物体表面的表面描述。我们的作品提供了一种新颖的方式，可以提高准确性和更大的灵活性映射解剖结构。更广泛地，使用自适应参数域的想法允许易于处理各种生物医学形状。
translated by 谷歌翻译