| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 综述 | 第10-14页 |
| 1.1 背景 | 第10-11页 |
| 1.2 相关研究 | 第11-13页 |
| 1.2.1 有监督学习算法 | 第11-13页 |
| 1.2.2 无监督学习算法 | 第13页 |
| 1.2.3 其它 | 第13页 |
| 1.3 内容安排 | 第13-14页 |
| 2 模型的建立 | 第14-25页 |
| 2.1 生物神经网络模型 | 第14-19页 |
| 2.2 脉冲神经网络模型 | 第19-22页 |
| 2.2.1 微分方程模型 | 第19-20页 |
| 2.2.2 积分方程模型 | 第20-22页 |
| 2.3 本文使用的模型 | 第22页 |
| 2.4 微分方程模型与积分方程模型的等价性——例子 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 算法理论 | 第25-41页 |
| 3.1 SpikeProp算法回顾 | 第25-29页 |
| 3.2 计算图方法 | 第29-34页 |
| 3.3 Recurrent SpikeProp算法 | 第34-35页 |
| 3.4 Recurrent SpikeProp算法应用于具体的网络结构 | 第35-39页 |
| 3.5 应用中的问题 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 算法的软件实现 | 第41-52页 |
| 4.1 一般方案 | 第41-43页 |
| 4.2 软件加速1——基于GeNN的方案 | 第43-46页 |
| 4.3 软件加速2——基于Pytorch的方案 | 第46-48页 |
| 4.4 方案比较 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 5 算法验证 | 第52-58页 |
| 5.1 测试内容 | 第52页 |
| 5.2 数据处理 | 第52-54页 |
| 5.2.1 输出脉冲处理 | 第52-53页 |
| 5.2.2 输入数据处理 | 第53-54页 |
| 5.3 测试结果 | 第54-57页 |
| 5.3.1 Iris Flower数据集的测试 | 第54-56页 |
| 5.3.2 MNIST数据集的测试 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 推理硬件加速 | 第58-68页 |
| 6.1 综述 | 第58-59页 |
| 6.2 架构方案 | 第59-63页 |
| 6.3 架构验证 | 第63-67页 |
| 6.4 本章小结 | 第67-68页 |
| 7 总结 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 作者简历 | 第77页 |
