Für eines meiner letzten Seminare habe ich folgende Ausarbeitung zum Thema “Spiking Neural Networks” gemacht.
Im folgenden Paper zeige ich kurz den Aufbau eines Neuron und wie der Signalfluss darin aussieht. Neuronale Netze bieten durch ihre Robustheit viele Vorteile die für die Wissenschaft genügend Motivation liefern daran zu forschen. Die unterschiedlichen Generation der Modelle die das Verhalten von Neuronen beschreiben werden von ihrem Ursprung dem McCulloch Pits über das Perceptron bis zu den Spiking Neuronale Netzwerke punktuell vorgestellt. Danach gebe ich einen Einblick in die Modelle mit denen die Netzwerke moduliert werden. Störfaktoren machen große Probleme bei der Analyse aber auch bei der Simulation der Netzwerke. Die Wissenschaft ist sich hier unsicher woher diese Störfaktoren kommen und ob sie auch wirklich als solche zu sehen sind. Was auch das Simulieren derselben zu einem komplizierten Unterfangen macht. Neben großen, komplexen Programmen die auf die Simulation von Neuronalen Netzwerken spezialisiert sind, stehen noch die Baukasten-Programmierumgebungen, wie Mathematica und MatLab, zur Verfügung. Brian, welches auf Python basiert, versucht die Lücke für Wissenschaftler mit Programmierkenntnissen die sich nicht lange in eine komplett neue Softwareumgebung einlernen wollen, zu schließen. Es kann zwar mit der Geschwindigkeit anderer Programme nicht mithalten, ist von der Handhabung wesentlich einfacher zu nutzen, da es in eine gewohnte Umgebung eingebettet. Zum Schluß gebe ich einen kurzen Einblick in Datenformate und die Datenspeicherung.