earticle

영어

In this research, the spiking-based neural network model with low power consumption and low computational complexity was applied to the conventional deep belief network with high power consumption and high computational complexity. The proposed model is tested and evaluated with the conventional deep belief model and support vector machine algorithm for recognition error rate using MNIST dataset. The performance of proposed model is superior to shallow learning model as support machine and inferior to the conventional deep belief network model. In conclusion, this study shows the possibility of implementing a deep belif network based on a spiking neural network.

한국어

본 연구에서는 저전력 및 낮은 연산량을 갖는 스파이킹 기반 신경망 기술을 딥 빌리프 네트워크에 적 용하여 두 모델의 장점을 강화하고 단점을 약화시키는 스파이크 신경망 기반 딥 빌리프 네트워크(deep belief network)를 구성하였다. 구성된 모델은 학습 과정은 딥 러닝과 같은 방식을 적용하여 미분을 기반으로 각 층 들의 계수들을 갱신할 수 있는 방법을 사용하고, 학습된 계수들은 Siegert 뉴런 모델을 이용하여 스파이크 발 화율로 변환하여 분류 실험에 적용하였다. 제안한 방법은 학습 과정에서는 미분을 통한 계수 갱신으로 스파이 킹 신경망의 단점인 미분을 사용한 학습의 불가능을 극복하였으며 실제 적용 시에는 스파이크 기반 평균 발화 율 코딩 방식으로 동작하여 스파이킹 신경망의 장점을 사용할 수 있다. 제안한 방법은 MNIST의 손 글씨 숫자 들(hand- written digits)로 구성된 데이터셋을 이용하여 실험을 수행하였으며, 실험 결과는 전형적인 딥 빌리 프 네트워크의 실험 결과와 비교하였다.