摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-18页 |
1.1 课题研究背景及意义 | 第11-13页 |
1.2 课题研究现状 | 第13-15页 |
1.3 主要内容和总体思路 | 第15-17页 |
1.4 章节安排 | 第17-18页 |
第二章 Spiking神经网络介绍 | 第18-30页 |
2.1 Spiking神经元生物学启示 | 第18-22页 |
2.2 Spiking神经网络模型 | 第22-28页 |
2.2.1 基于电导模型 | 第22-25页 |
2.2.1.1 Hodgkin-Huxley Model | 第23-25页 |
2.2.1.2 FitzHugh-Nagumo Model | 第25页 |
2.2.2 阈值点火模型 | 第25-28页 |
2.2.2.1 积累触发模型(Integrate-and-Fire Model--I&F) | 第25-26页 |
2.2.2.2 Spike响应模型(Spike Response Model-SRM) | 第26-28页 |
2.3 Spiking神经网络学习算法 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第三章 Spiking-卷积神经网络模型 | 第30-40页 |
3.1 Spiking-卷积结构 | 第30-35页 |
3.1.1 卷积生物原理 | 第30-31页 |
3.1.2 Spiking-卷积 | 第31-35页 |
3.1.2.1 Spiking-卷积层 | 第33-34页 |
3.1.2.2 Spiking-采样层 | 第34-35页 |
3.2 Spiking-卷积技术分析 | 第35-39页 |
3.2.1 延时编码 | 第36-37页 |
3.2.2 稀疏连接 | 第37-38页 |
3.2.3 权值共享 | 第38-39页 |
3.3 本章小结 | 第39-40页 |
第四章 基于Spiking-卷积模型的图像边缘检测算法 | 第40-55页 |
4.1 引言 | 第40-41页 |
4.2 基于检测算子的Spiking-卷积 | 第41-44页 |
4.2.1 LOG-Spiking-卷积算法 | 第41-43页 |
4.2.2 DOG-Spiking-卷积算法 | 第43-44页 |
4.3 算法描述 | 第44-48页 |
4.3.1 图像编码 | 第44-45页 |
4.3.2 算法实现的Spiking模型 | 第45-47页 |
4.3.3 算法流程 | 第47-48页 |
4.4 实验与分析 | 第48-53页 |
4.4.1 仿真环境选择 | 第48-49页 |
4.4.2 仿真实验 | 第49-53页 |
4.4.2.1 多算子下的大米边缘检测 | 第50页 |
4.4.2.2 LOG传统卷积与Spiking-卷积的Lena样本边缘检测 | 第50-51页 |
4.4.2.3 DOG传统卷积与Spiking-卷积的花朵样本边缘检测 | 第51-52页 |
4.4.2.4 多算子边缘检测和Spiking-卷积边缘检测比对 | 第52-53页 |
4.5 本章小结 | 第53-55页 |
第五章 基于Spiking-卷积的图像识别计算模型 | 第55-72页 |
5.1 引言 | 第55-56页 |
5.2 一种基于Spiking-卷积的图像识别算法 | 第56-64页 |
5.2.1 Spiking-卷积网络拓扑结构 | 第57-58页 |
5.2.2 时空模式 | 第58-59页 |
5.2.3 Tempotron学习规则 | 第59-62页 |
5.2.4 Spiking-卷积识别系统 | 第62-63页 |
5.2.5 算法流程图 | 第63-64页 |
5.3 实验与分析 | 第64-71页 |
5.3.1 实验数据集选取 | 第64-65页 |
5.3.2 相关参数设定 | 第65-66页 |
5.3.3 仿真实验 | 第66-71页 |
5.3.3.1 决策 1—单一分布式决策 | 第66-67页 |
5.3.3.2 决策 2—分布式的投票决策方案 | 第67-68页 |
5.3.3.3 决策 3—局部主义方案 | 第68页 |
5.3.3.4 实验结果 | 第68-71页 |
5.4 本章小结 | 第71-72页 |
第六章 总结与展望 | 第72-74页 |
6.1 总结 | 第72-73页 |
6.2 进一步的工作 | 第73-74页 |
致谢 | 第74-75页 |
参考文献 | 第75-81页 |
硕士期间取得的研究成果 | 第81-82页 |