Diplomarbeit Der Vergleich von plastischen Synapsen gegenüber ...

Weitere Magazine

Empfehlungen

Info

Bild 22. Bildfolge zur Kantenerkennung SpinnSoftSim 47
8. ZUSAMMENFASSUNG Das SPINNSoftSim-Programm wurde entwickelt, um eine Gegenüberstellung zwischen herkömmlichen Neuronalen Netzen mit gewichteten Eingangswerten und Netzen mit plastischen Synapsen zu erstellen. Zunächst wurde ein Synapsenmodell gebildet, daß dem Tsodyks-Markram-Modell entspricht. Auf eine Speicherung der Zustandswerte der aktuellen Zeitscheibe wurde verzichtet, denn es wird die Differenz zwischen dem Zeitpunkt des letzten Eintreffens eines Impulses und der aktuellen Zeitscheibe bestimmt. Das Abklingen erfolgt dann durch die Exponentialfunktion. Das Programm zur Darstellung der Synapsenplastizität wurde erweitert um die Summation der Synapsenpotentiale zur Berechnung des Dendritpotentials und die Bildung des Membranpotentials. Als Neuronmodell wurde das Marburger Modells gewählt und es wurde um die Eigenschaft der absoluten Refrakträrzeit erweitert, damit es seinem biologischem Vorbild einen Schritt näher kommt. Die Implementierung der Synapsenplastizität brachte keinen Unterschied zu den Erkenntnissen der Arbeitsgruppe aus Marburg. Der nächste Schritt war die Vervielfältigung des Neurons und die Erstellung einer Verbindungsliste. Mit den Erkenntnissen der Vorreiter aus Marburg war kein Fortschritt zu erzielen. Die experimentell ermittelten Parameter aus Marburg brachten keine Ergebnisse. Die Kantendetektion war die einzige nachvollziehbare Eigenschaft, die das erstellte Neuronale Netzwerk offenbarte. Aber die Segmentierung von einzelnen Bildregionen hat das Netzwerk nicht im gewünschten Maß hervorgebracht. Das Feuern einer Synapsengruppen bleibt in einigen Zeitscheiben aus, aber eine Bildsegmentierung wie sie für pulscodierte Neuronale Netze beschrieben wird, war nicht zu erkennen. Erst die Erkenntnisse von Johnson, brachten den Ansatz einer Objektsegmentierung. Es findet immer noch keine vollständige Segmentierung statt, aber die Teile der Bildelemente werden in der Netzantwort zumindest wechselweise dargestellt. Um Unzulänglichkeiten bei der Parameterwahl zu reduzieren wurde ein Algorithmus für "Lernen nach Hebb" implementiert. Durch "Lernen nach Hebb" wird die dynamische Transmitterstoffmenge erhöht, wenn innerhalb einer gesetzten Zeitspanne das Neuron nach dem Eingang eines Reizes selbst einen Impuls aussendet, andernfalls wird die Menge des Transmitterstoffes reduziert. Eine Verbesserung bei der Segmentierung von Objekten im Bild oder bei der Kantenerkennung waren nicht zu erkennen. Für einen hinreichend langen Simulationszeitraum war durch die Beobachtung von ausgewählten Neuronen zu erkennen, daß das Membranpotential überaus stark ansteigt und den definierten Bereich verläßt, das System wird instabil. Ein Nachteil ist, daß kein direkter Vergleich mit dem Eingangsreiz vorgenommen wird Um diesen Umstand des ständigen Potentialanstiegs zu berücksichtigen wurde eine Funktion zu Bestimmung der globalen Inhibition implementiert. Diese Funktion erhöht den statischen Schwellwert aller Neuronen innerhalb einer Population, wenn die Aktivität innerhalb der Population ansteigt. Aber nach einigen Simmulationsschritten ging die Aktivität gegen Null. Unter Umständen stellt sich der Erfolg ein, wenn ein geeigneter Lernalgorithmus installiert wird oder der Einfluß der Nachbarschaft weiter vergrößert wird und damit eine geänderte Vebindungsstruktur zum Einsatz kommt. Die Erstellung eines eigenen Programms zur Simulation eines Neuronalen Netzwerkes mit plastischen Synapsen ist gerechtfertigt, da vorhandene Simulatoren entweder die Synapsenplastizität nicht berücksichtigten oder ihre Programmierung zu komplex ist. Als Vorteil dieses Programmes ist zu nennen, daß der Quellcode des Programms SpinnSoftSim 48
Seite 1 und 2: Diplomarbeit Dietmar Jung Der Vergl
Seite 3 und 4: 6. Programmierhandbuch.............
Seite 5 und 6: Parallelität der Elemente für ein
Seite 7 und 8: 2. DAS BIOLOGISCHE NEURON Dieses Ka
Seite 9 und 10: Bild 3. Ausschüttung der Neurotran
Seite 11 und 12: oder geschlossen. Sie besitzen kein
Seite 13 und 14: 3. PULSCODIERTE NEURONALE NETZE Dur
Seite 15 und 16: 3.4 DAS MEMBRANPOTENTIAL UND DER SC
Seite 17 und 18: leitfähigkeit, die Rückschlüsse
Seite 19 und 20: 4.3 DIE TESTUMGEBUNG Das Programm S
Seite 21 und 22: 5.3 MENÜ NETZ Alle Parameter zur B
Seite 23 und 24: Bild 13. Dialog der Dendriteparamet
Seite 25 und 26: 5.3.5 Start Die Simulation des Netz
Seite 27 und 28: 5.4.8 Netzausgabe sichern Die Antwo
Seite 29 und 30: auf der linken Seite die statischen
Seite 31 und 32: 6.3 DIE GRAPHISCHE BENUTZEROBERFLÄ
Seite 33 und 34: Die Aufteilung erfolgte aus Gründe
Seite 35 und 36: Bild 19. Struktur der Klasse net Bi
Seite 37 und 38: 6.10.3 confront Das Ausgangssignal
Seite 39 und 40: 6.10.10 dlgctrlneuron Dieser Dialog
Seite 41 und 42: TABELLE 4. Variablen der Klasse mar
Seite 43 und 44: tialverlauf, auf Wunsch des Anwende
Seite 45 und 46: die gewünschte Zeichenfarbe bestim
Seite 47: 7. AUSWERTUNG Das vorliegende Progr
Seite 51: 9. ANHANG VERWENDETE LITERATUR TABE

Diplomarbeit Der Vergleich von plastischen Synapsen gegenüber ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?