Е.Н. Бендерская - к.т.н., доцент, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет. E-mail: helen.bend@gmail.com К.В. Никитин - аспирант, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет. E-mail: execiter@mail.ru

Проведен анализ особенностей импульсных рекуррентных нейронных сетей (РНС) и осуществлена разработка программного средства для их моделирования. Приведены результаты анализа возможностей импульсных РНС и показана их роль в новом направлении резервуарных вычислений. Рассмотрены импульсные нейроны и импульсное представление информации, проведена классификация способов импульсного кодирования информации. Представлено сравнение сред моделирования импульсных РНС.

1. Бендерская Е.Н., Никитин К.В. Анализ модели импульсной рекуррентной нейронной сети в составе машины неустойчивых состояний // Нейрокомпьютеры: разработка, применение. 2013. № 12.
2. Бендерская Е.Н., Жукова С.В. Осцилляторные нейронные сети с хаотической динамикой в задачах кластерного анализа // Нейрокомпьютеры: разработка, применение. 2011. №7. С. 74-86.
3. Бендерская Е.Н., Никитин К.В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению // Научно-технические ведомости СПбГПУ. 2013. № 4(176). С. 29-40.
4. НиколлсДж.Г., МартинА.Р., ВалласБ.Дж., ФуксП.А.От нейрона к мозгу. М.: ЛКИ. 2008. 672 с.
5. Абарбанель Г.Д. и др. Синхронизация в нейронных ансамблях // Успехи физических наук. 1996. T. 166. № 4. С. 363-390.
6. Хайкин С. Нейронные сети. М.: Вильямс. 2000. 1104 с.
7. Цукерман В.Д. Математическая модель фазового кодирования событий в мозге// Математическая биология и биоинформатика. 2006. Т. 1. № 1. С. 97-107.
8. Buonomano D.V., Maass W. State-dependent computations Spatiotemporal processing in cortical networks // Neuroscience. 2009. V. 10. P. 113-125.
9. Buonomano D.V., Merzenich M.M. Temporal information transformed into a spatial code by a neural network with realistic properties // Science. 1995. V. 267. № 5200. P. 1028-1030.
10. Gerstner W., Kistler W.M. Spiking Neuron Models. Single Neurons, Populations, Plasticity. Cambridge: University Press. 2002. 480 p.
11. Hines M.L., Carnevale N.T. Discrete event simulation in the NEURON environment // Neurocomputing. 2004. V. 58. P. 1117-1122.
12. Izikevich E.M. Dynamical systems in neuroscience: the geometry of excitability and bursting. Cambridge: The MIT Press. 2007. 505 p.
13. Maass W., Natschläger T., Markram H. Real-time computing without stable states: a new framework for neural computations based on perturbations // Neural Computation. 2002. V. 11. P. 2531-2560.
14. Natschläger T., Ruf B. Spatial and temporal pattern analysis via spiking neurons // Network. 1998. V. 9. № 3. P. 319-332.
15. Schrauwen B., VerstraetenD., Campenhout J.V. An overview of reservoir computing theory, applications and implementations // Proc. of the 15th European Symposium on Artificial Neural Networks. 2007. P. 471-482.
16. Siegelmann H.T. Neural and super-Turing computing // Minds and Machines. 2003. V. 13. P. 103-114.
17. Siegelmann H.T., Sontag E.D. On the computational power of neural nets // Journal of Computer and System Sciences. 1995. V. 50. № 1. P. 132-150.
18. Brette R. et al. Simulation of networks of spiking neurons: a review of tools and strategies // Journal of Computational Neuroscience. 2007. V. 23. № 3. P. 349-398.
19. Smith E., Lewicki M.S. Efficient coding of time-relative structure using spikes // Neural Computation. 2004. V. 17. P. 19-45.
20. Рожнов А.В., Жарков И.Д. Алгоритмизация интеллектуальной обработки данных в задачах слабо формальных систем // Нейрокомпьютеры: разработка, применение. 2008. № 1-2. С. 35-42.