مدل‌سازی سیستم تشخیص گفتار با استفاده از تکنیک یادگیری عمیق شبکه‌های عصبی اسپایکینگ

ساختار شبکه عصبی اسپایکینگ با الهام از نورون‌های اسپایکینگ پویا معرفی شده است. شبکه‌های عصبی اسپایکینگ پتانسیل فوق‌العاده‌ای برای درک الگوی درهم وابسته به زمان توسط نورون‌های اسپایکینگ پویا دارند و می‌توانند داده‌های رمزگذاری شده را مطابق با رویداد زمان پردازش کنند. با این حال، آموزش شبکه‌های عصبی اسپایکینگ عمیق ساده نیست. در این مقاله، یک چارچوب جدید یادگیری لایه‌ای شبکه عصبی اسپایکینگ برای تشخیص الگوی سریع و کارآمد پیشنهاد می‌شود که از الگوریتم‌های بهینه‌سازی برای یادگیری شبکه‌های عصبی اسپایکینگ عمیق استفاده می‌کند. در روش اشاره شده در مساله یادگیری عمیق، به کمک الگوریتم‌های مختلف بهینه‌سازی مبتنی بر گرادیان و بهینه‌سازی اسب وحشی، دو پارامتر اصلی نرون‌های اسپایک برای لایه‌های مختلف جستجو و محاسبه می‌شود. در این مقاله، از شبکه عصبی اسپایکینگ برای مدل‌سازی سیستم تشخیص گفتار رقمی استفاده و عملکرد آن‌ها در سناریوهای مختلف با سایر روش‌های یادگیری عمیق مقایسه و ارزیابی می‌شود. در مقایسه نتایج، روش پیشنهادی شبکه‌های عصبی اسپایکینگ با بهینه‌سازی اسب وحشی توانسته به دقت‌های 95.47% و 92.3% در بین همتایان خود دست پیدا کند؛ که افزایش دقت شناسایی و تخمین را نسبت به کارهای انجام شده نشان می‌دهند.

modeling the speech recognition system using the deep learning technique of spiking neural networks

abstract: the architecture of spiking neural network (snn) is introduced inspired by dynamic spiking neurons. snns have great potential to understand time-dependent entanglement pattern by dynamic spiking neurons and can process coded data according to time event. however, training deep snns is not straightforward. in this paper, we propose a new layered snn learning framework for fast and efficient pattern recognition, which uses optimization algorithms to learn deep snns. in the mentioned method in the deep learning problem of our deep snn layers, with the help of different algorithms of gradient-based optimization (gbo) and wild horse optimization (who), the two main parameters of spike neurons are searched and calculated for different layers. we use snn to model the digital speech recognition system and compare and evaluate their performance in different scenarios with other deep learning methods. the results of snn training for data extracted from different datasets show an increase in identification and estimation accuracy compared to the performed tasks. comparing the results, the proposed snn-who method was able to achieve accuracies of 95.47% and 92.3% among its counterparts, and they show an increase in the accuracy of identification and estimation compared to the performed works.