Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Evolving Processes in Time-Space. Deep Learning and Deep Knowledge Representation in Time-Space. Brain-Inspired AI Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

5. Evolving Spiking Neural Networks

verfasst von : Nikola K. Kasabov

Erschienen in: Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Evolving SNN (eSNN) are a class of SNN and also a class of ECOS (Chap. 2) where spiking neurons are created (evolved) and merged in an incremental way to capture clusters and patterns from incoming data. This gives a new quality of the SNN systems to become adaptive, fast trained and to capture meaningful patterns from the data, departing the “curse of the black box neural networks’ and the “curse of catastrophic forgetting” as manifested by some traditional ANN models (Chap. 2). The inspiration comes from the brain as the brain always evolves its structure and functionality through continuous learning. It is always evolving and forming new knowledge.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Methods of Spiking Neural Networks
Nächstes Kapitel Brain-Inspired SNN for Deep Learning in Time-Space and Deep Knowledge Representation. NeuCube
Literatur
1.
S. Thorpe, D. Fize, C. Marlot, Speed of processing in the human visual system. Nature 381(6582), 520–522 (1996)CrossRef
2.
3.
4.
S. Soltic, N. Kasabov, Knowledge extract ion from evolving spiking neural networks with rank order population coding. Int. J. Neural Syst. 20(6), 437–445 (2010)CrossRef
5.
N. Kasabov, Evolving Connectionist Systems: The Knowledge Engineering Approach, 2nd edn. (Springer, 2007) (1st edn., 2002)
6.
S. Wysoski, L. Benuskova, N. Kasabov, Evolving spiking neural networks for audiovisual information processing. Neural Netw. 23(7), 819–835 (2010)CrossRef
7.
S.M. Bohte, H. La Poutre, J.N. Kok, Unsupervised clustering with spiking neurons by sparse temporal coding and multilayer RBF networks. IEEE Trans. Neural Networks 13(2), 426–435 (2002)CrossRef
8.
S. Schliebs, N. Kasabov, Evolving Spiking Neural Networks: A Survey, Evolving Systems (Springer, 2012)
9.
S. Thorpe, J. Gautrais, Rank order coding. Comput. Neurosci. Trends Res. 113–119 (1998)
10.
11.
P. Tiesinga, J. Fellous, T.J. Sejnowski, Regulation of spike timing in visual cortical circuits. Nat. Rev. Neurosci. 9(2), 97–107 (2008)CrossRef
12.
E. Nichols, L.J. McDaid, N.H. Siddique, Case study on a self-organizing spiking neural network for robot navigation. Int. J. Neural Syst. 20(6), 501–508 (2010). PMID: 21117272CrossRef
13.
A. Riul Jr., D.S. dos Santos Jr, K. Wohnrath, R. Di Tommazo, A.C.P.L.F. Carvalho, F.J. Fonseca, O.N. Oliveira Jr., D.M. Taylor, L.H.C. Mattoso, An artificial taste sensor: efficient combination of sensors made from Langmuir-Blodgett films of conducting polymers and a ruthenium complex and self-assembled films of an Azobenzene-containing polymer. Langmuir 18(2002), 239–245 (2002)CrossRef
14.
15.
S. Soltic, S.G. Wysoski, N. Kasabov, Evolving spiking neural networks for taste recognition, in Proceedings of the International Joint Conference on Neural Networks, IJCNN 2008 (Hong Kong, 2008), pp. 2092–2098
16.
W. Maass, T. Natschlager, H. Markram, Real-time computing without stable states: a new framework for neural computation based on perturbations. Neural Comput. 14(11), 2531–2560 (2002)CrossRef
17.
18.
W. Maass, Liquid State Machines: Motivation, Theory, and Applications (2010) (Chapter 1)
19.
D. Norton, D. Ventura, Improving the separability of a reservoir facilitates learning transfer, in Proceeding of the Seventh ACM Conference on Creativity and Cognition (2009), pp. 339–340
20.
S. Schliebs, A. Mohemmed, N. Kasabov, Are probabilistic spiking neural networks suitable for reservoir computing? in International Joint Conference on Neural Networks (San Jose, USA, 2011), pp. 3156–3163
21.
B.J. Grzyb, E. Chinellato, G.M. Wojcik, W.A. Kaminski, Which Model to use for the liquid state machine? in International Joint Conference on Neural Networks, 2009. IJCNN 2009. IEEE (2009), pp. 1018–1024
22.
E. Goodman, D. Ventura, Spatiotemporal pattern recognition via liquid state machines, in IJCNN (2006), pp. 3848–3853
23.
24.
Z. Yanduo, W. Kun, The application of liquid state machines in robot path planning. J. Comput. 4(11), 1182–1186 (2009)
25.
H. Ju, J. Xu, A.M.J. VanDongen, Classification of musical styles using liquid state machines, in The 2010 International Joint Conference on Neural Networks (IJCNN) (2010), pp. 1–7
26.
S. Soltic, N.K. Kasabov, Knowledge extraction from evolving spiking neural networks with rank order population coding. Int. J. Neural Syst. 20(6), 437–445 (2010)CrossRef
27.
N. Kasabov (ed.), Springer Handbook of Bio-/Neuroinformatics (Springer, 2014)
28.
W. Maass, On the role of time and space in neural computation. Math. Found. Comput. Sci., 72–83 (1998)
29.
N. Kasabov, Evolving connectionist systems: from neuro-fuzzy-, to spiking—and neurogenetic, in Springer Handbook of Computational Intelligence, ed. by J. Kacprzyk, W. Pedrycz (Springer, 2015), pp. 771–782
30.
W. Gerstner, W.M. Kistler, Spiking Neuron Models: Single Neurons, Populations, Plasticity (Cambridge University Press, 2002)
Metadaten
Titel
Evolving Spiking Neural Networks
verfasst von
Nikola K. Kasabov
Copyright-Jahr
2019
Verlag
Springer Berlin Heidelberg
Buch
Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence

Print ISBN: 978-3-662-57713-4

Electronic ISBN: 978-3-662-57715-8

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-662-57715-8_5