通过分数阶可塑性提高尖峰神经网络的鲁棒性和性能,以服务于物联网边缘智能应用

《IEEE Internet of Things Journal》:Making Spiking Neural Networks Robust and Well-Performing via Fractional-Order Plasticity for IoT Edge Intelligence

【字体: 大 中 小 】 时间:2026年03月27日 来源:IEEE Internet of Things Journal 8.9

编辑推荐:

  脉冲神经网络通过分数阶塑性机制与时空反向传播算法协同优化突触权重和神经动力学参数,显著提升物联网环境下抗噪声与特征提取能力,在MNIST、Fashion-MNIST、CIFAR-10和DVS-Gesture数据集上分别达到99.67%、94.50%、93.43%和97.25%的准确率,有效克服传统静态权重网络在动态噪声环境中的稳定性缺陷。

  

摘要:

传统的人工神经网络(ANNs)在嘈杂的物联网(IoT)环境中常常面临稳定性挑战,这是因为它们依赖于静态权重和确定性的计算框架。脉冲神经网络(SNNs)模仿了生物神经元的脉冲编码机制,由于其固有的时间动态性和能效,成为边缘设备的一个有前途的替代方案。然而,大多数现有的SNN模型使用固定的神经元参数,这限制了它们适应物联网应用中常见的各种噪声条件的能力。为了解决这个问题,我们提出了一种结合时空反向传播(STBP)算法的分数阶可塑性方法。该方法允许在训练过程中同时更新突触权重和分数阶参数,使神经元能够调整其内在动态。通过引入分数阶微积分,神经元可以有效地整合历史输入信息,从而提高它们过滤噪声和提取相关特征的能力。实验结果表明,我们提出的方法显著提高了分类性能,在MNIST数据集上的准确率为99.67%,在Fashion-MNIST数据集上为94.50%,在CIFAR-10数据集上为93.43%,优于所有评估的静态数据集上的现有领先方法,并在DVS-Gesture数据集上达到了97.25%的竞争性准确率。与仅基于权重训练的方法相比,该框架还表现出更强的抗噪声能力。这种自适应机制使不同网络层中的神经元能够发展出最佳的分数阶配置,从而增强网络在嘈杂环境中的时间信息处理能力和整体鲁棒性。所提出的框架在高效且鲁棒的脉冲神经网络学习方面显著推动了物联网应用的最新进展。

引言

在人工智能领域迅速发展的同时,噪声干扰仍然是限制许多人工神经网络(ANN)模型实际应用的核心挑战[1]、[2]。这个问题在复杂的动态系统中尤为突出,例如物联网(IoT)[3]、[4]、[5],其中不可预测的随机性和非线性噪声特性严重削弱了ANN的稳定性。传统ANN依赖于静态权重和确定性的计算框架,在结构化数据上表现良好,但在现实世界IoT环境中的时间中断和信号失真情况下往往失效——包括传感器网络和边缘设备的部署。突然的噪声会扭曲输入特征并导致参数异常漂移,直接影响智能决策的可靠性。这种脆弱性在实时应用中至关重要,例如工业物联网[6]和智慧城市监控,其中即使是微小的扰动也可能导致严重的错误。然而,大多数现有的噪声抑制方法依赖于数据预处理或基本过滤,这些方法无法在资源有限、异构和嘈杂的环境中增强网络的自适应性——从根本上限制了模型在实际应用中的泛化能力。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号