студент
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.
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ИМПУЛЬСНЫЕ НЕЙРОННЫЕ СЕТИ, СПАЙК, КЛАССИФИКАЦИЯ
1. Степанов, С. Ю., Сидоренко, А. Ю., Колбина, О. Н., Мартын, И. А. Информационные технологии и системы: управление, экономика, транспорт, право, 2024, № 3(51), 157-162. EDN ECBDLQ.
2. Лазарев, Е. А. Вестник науки, 2023, Т. 5, № 12-1(69), 412-415. EDN BVXPYI.
3. Хроль, Е. В., Шаронова, К. С. Современные инновации, системы и технологии, 2023, Т. 3, № 4, 311-321. DOI:https://doi.org/10.47813/2782-2818-2023-3-4-0311-0321. EDN WMFPMH.
4. Панкрашов, А. С., Окладникова, С. В. Инженерно-строительный вестник Прикаспия, 2025, № 4(54), 63-69. DOI:https://doi.org/10.52684/2312-3702-2025-54-4-63-69. EDN KQHLRC.
5. Емалетдинова, Л. Ю., Кабирова, А. Н. Известия высших учебных заведений. Авиационная техника, 2019, № 2, 40-48. EDN FEXHKC.
6. Назипов, Р. С. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки, 2024, № 9, 101-103. DOI:https://doi.org/10.37882/2223-2966.2024.9.27. EDN TFINYY.
7. Лесников, С. В. Говор: альманах, 2025, № 6, 686-693. EDN UOMKNB.
8. Черпаков, И. В. ЭФО: Экономика. Финансы. Общество, 2025, № 3(15), 110-121. DOI:https://doi.org/10.24412/2782-4845-2025-15-110-121. EDN ISTUPY.
9. Худайберидева, Г. Б., Кожухов, Д. А., Пименкова, А. А. Теория и практика современной науки, 2025, № 8(122), 98-105. EDN UHQCRK.
10. Аглямзянова, Г. Н., Гумерова, Л. З., Гарипова, Р. Ф. Социально-экономические и технические системы: исследование, проектирование, оптимизация, 2023, № 1(93), 6-12. EDN GSOWTQ.
11. Антонов, А. М., Щаников, С. А. Методы и устройства передачи и обработки информации, 2023, № 25, 43-52. EDN CQURGH.
12. Киселев, М. В., Урусов, А. М., Иваницкий, А. Ю. Компьютерные исследования и моделирование, 2025, Т. 17, № 3, 389-400. DOI:https://doi.org/10.20537/2076-7633-2025-17-3-389-400. EDN ISXQIQ.
13. Матвеев, Н. И. Инновации. Наука. Образование, 2021, № 45, 416-421. EDN LONVHM. DOI: https://doi.org/10.15405/epsbs.2021.07.02.50
14. Пальчевский, Е. В., Антонов, В. В., Хасанов, И. И., Суворова, В. А. Программная инженерия, 2026, Т. 17, № 1, 3-13. DOI:https://doi.org/10.17587/prin.17.3-13. EDN HLACFS.
15. Первые шаги в импульсных нейронных сетях. – URL: https://habr.com/ru/articles/746762/ (дата обращения: 20.11.2025)
