液体状态机：与尖峰神经网络模型有何不同答案

【问题标题】：Liquid State Machine: How is it different to Spiking Neural Network Models液体状态机：与尖峰神经网络模型有何不同
【发布时间】：2016-01-28 22:51:28
【问题描述】：

我对“水库计算世界”非常陌生，我听说液体状态机 (LSM) 是某种尖峰神经元网络模型 (SNN)。两者在实现方面究竟有什么区别。

我需要澄清的另一个方面是关于他们的对应物“回声状态网络 (ESN) 的泄漏积分器模型”。我从论坛中的另一个答案中发现，“在我看来（我可能是错的）这两种方法之间的最大区别在于单个单元。在液态机器中使用类似生物的神经元，而在 Echo 状态中使用更多的模拟单元。因此，就“非常短期记忆”而言，液态方法中每个单独的神经元都会记住自己的历史，而在回声状态方法中，每个单独的神经元仅根据当前状态做出反应，而记忆存储在单元之间的活动中.

请告诉我这是否正确，如果不正确，它们背后的实际概念是什么。

【问题讨论】：

这个问题不适合 Stack Overflow，它与编程关系不大，您正在邀请关于科学和数学主题的理论开放式讨论。理想情况下，有关 Stack Overflow 的问题应该是关于您遇到的可重现问题的简短可回答问题，并且可以在您的问题中解释。
为那个迈克尔道歉，我会在其他论坛上发布这个。无论如何，谢谢。
祝你好运，请回来解决你的编程问题:)
@HenryKissinger 考虑发帖到cogsci.stackexchange.com
这可能不是发帖的正确地方，但它帮助了我

标签： machine-learning neural-network classification biological-neural-network

【解决方案1】：

尖峰神经元是一个神经元模型。另一方面，LSM 是一个 network 模型。因此，LSM 是一组具有尖峰神经元（也称为分级响应或模拟）的网络模型的一部分。 ESN 具有与普通感知器相同的单元，因此是另一种（更流行的）范式的一部分，其中神经元在每个传播周期中触发。 This 给出了一个足够简单的介绍。基本思想是不将神经元视为二进制/数字（开/关），而是通过解码尖峰之间的时间来模拟神经元，这现在被认为是神经元之间信息传输的主要来源。人类大脑实际上是模拟的还是数字的尚不清楚，但有证据表明两者以及真正的机制是完全不同的东西。因此，一个模型是否事实上更现实并不能真正确定。

【讨论】：