CSP认证202109T3-脉冲神经网络（优化）

最新推荐文章于 2024-03-28 16:54:01 发布

原创

最新推荐文章于 2024-03-28 16:54:01 发布 · 1.6k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #人工智能 #深度学习

本文探讨了一种改进的神经网络模型实现，通过引入循环队列优化了信号传递过程，避免了逐个突触遍历，从而显著提高了处理大规模数据时的效率。作者详细介绍了从原始思路到优化思路的转变，并提供了C++代码示例。

在这里插入图片描述

66分的思路（数据量大时超时）

存储每个神经元，每个突触，每个源。
每个突触具有一个（待发出）队列，其中元素表示该脉冲的发出时间
对每个时间步：
- 遍历每个突触，若队首元素加上该突触的D等于该时间则到达神经元I_k加上对应的值
- 每个神经元更新状态。如果激活则在对应突触队列中增加一条信息。
- 对每个源同样

100分思路（循环队列优化）

上述每个时间步的循环步骤中需要遍历每个突触。能否将每个神经元结点（源）发出的信号就保留在目标神经元中（不断累计）并到时就加入？这样避免了遍历突触
对每个神经元使用一个数组其每个时间点将要到来的I_k。
该数组是一个循环队列。维护cur指针在当前时间点指向当前队列首部。由于延时D至多为1000，因此该队列长度至多1001.

#include <iostream>
#include<vector>
#include<map>
#include<string>
#include<set>
#include<algorithm>
#include<queue>
using namespace std;
double delay[1003][1003];   //每个结点在该时间步得到的(循环队列节约空间)
double v[1001];  //每个结点的v值，当前时间步
double u[1001];  //每个结点的u值，当前时间步
double a[1001],b[1001],c[1001],d[1001];  //每个结点的常数
int r[1001];  //发射结点的常数
int f[1001];  //每个结点的发射次数
struct ed
{
   
   
    int to;   //到达
    double w;     //边容量
    int D;
};
struct ed edge[1001];
//和哪条边连接
vector<ed> n_g[1001];
vector