
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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。
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。