В статье рассматривается решение задачи классификации объектов, основанном на использовании импульсных нейронных сетей (SNN). Эти сети эффективно моделируют биологические принципы работы мозга за счет использования дискретных импульсов. Такой подход открывает новые возможности для решения задач, где важна скорость и точность обработки информации, а также энергоэффективность. Одной из самых популярных и простых моделей нейронов в импульсных нейронных сетях является модель LeakyIntegrate-and-Fire (LIF), которая описывает динамику мембранного потенциала нейрона как процесс утечки и интеграции входного тока. Этот процесс отражает биологическое поведение нейронов, где информация накапливается и передается через импульсы. Исходные данные в импульсных нейронных сетях кодируются в виде временных последовательностей импульсов, что позволяет эффективно обрабатывать информацию, которая меняется со временем. Входные нейроны вырабатывают импульсы, которые соответствуют моментам времени, отраженным во входной последовательности. Когда мембранный потенциал нейрона достигает заданного порога, происходит его активация, что приводит к генерации импульса, после чего потенциал нейрона сбрасывается до нуля, и процесс повторяется. В статье приводятся примеры использования импульсных нейронных сетей для решения двух классических задач классификации: ирисов и сортов пшеницы, которые традиционно используются исследователями для оценки эффективности разрабатываемых алгоритмов. В работе рассматриваются гиперпараметры импульсной нейронной сети, влияющие на результаты классификации, включая число пресинаптических нейронов, веса связей между нейронами, порог активации нейронов, мембранное сопротивление, потенциал покоя и другие гиперпараметры.
The article discusses the solution of the object classification problem based on the use of impulse neural networks (SNN). These networks effectively simulate the biological principles of the brain by using discrete impulses. This approach opens up new possibilities for solving problems where the speed and accuracy of information processing, as well as energy efficiency, are important. One of the most popular and simplest models of neurons in pulsed neural networks is the LeakyIntegrate-and-Fire (LIF) model, which describes the dynamics of a neuron's membrane potential as a process of leakage and integration of input current. This process reflects the biological behavior of neurons, where information is accumulated and transmitted through impulses. The source data in pulsed neural networks is encoded as time sequences of pulses, which allows efficient processing of information that changes over time. The input neurons produce impulses that correspond to the time points reflected in the input sequence. When the membrane potential of a neuron reaches a set threshold, it is activated, which leads to the generation of a pulse, after which the potential of the neuron is reset to zero, and the process repeats. The article provides examples of using pulsed neural networks to solve two classical classification problems: irises and wheat varieties, which are traditionally used by researchers to evaluate the effectiveness of the algorithms being developed. The paper considers hyperparameters of an impulse neural network that affect classification results, including the number of presynaptic neurons, the weights of connections between neurons, the threshold of neuron activation, membrane resistance, resting potential, and other hyperparameters.