Diplomarbeit Der Vergleich von plastischen Synapsen gegenüber ...

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