摘要
仅包含前馈连接的脉冲神经元动力系统能够对时空模式进行分类，而无需循环连接。然而，目前关于前馈脉冲神经网络（SNN）如何近似时间序列的理论框架仍不明确，这使得在学习复杂时空模式时优化SNN架构面临挑战。在本研究中，我们建立了一个理论框架，以深入理解并提升前馈SNN在序列近似方面的性能。该框架表明，仅在每层包含一个神经元并引入跨层连接（skip-layer connections）的前馈SNN，即可在紧致域上近似任意输入与输出脉冲序列对之间的映射函数。进一步地，我们证明了具有不同动态特性的异质神经元结合跨层连接，能够显著提升前馈SNN在序列近似方面的表现。基于上述理论发现，我们提出了一类新型SNN架构，该架构融合了异质神经元动态与跨层连接机制，并采用监督式的时间反向传播算法（backpropagation-through-time, BPTT）以及无监督的脉冲时序依赖可塑性（spiking-timing-dependent plasticity, STDP）进行训练，以实现对时空数据的有效分类。此外，我们开发了一种双搜索空间贝叶斯优化方法（Dual Search-space Bayesian Optimization），用于高效优化所提出的SNN在异质神经元动态与跨层连接条件下的网络结构与参数配置。