Spiking神经网络的研究及其在图像分割中的应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·研究内容 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第二章 SNN 及图像分割简介 | 第16-31页 |
| ·SNN 简介 | 第16-27页 |
| ·时间编码 | 第16-18页 |
| ·Spiking 神经元模型 | 第18-25页 |
| ·Spiking 神经元内在的动态性 | 第25-26页 |
| ·Spiking 神经网络的应用 | 第26-27页 |
| ·图像分割简介 | 第27-29页 |
| ·基于区域的分割 | 第28页 |
| ·基于边缘检测的分割 | 第28页 |
| ·基于分类技术的分割 | 第28-29页 |
| ·神经网络在图像分割中的应用 | 第29-30页 |
| ·基于监督学习的 ANN 图像分割 | 第29-30页 |
| ·基于无监督学习的 ANN 图像分割 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 SNN 的学习算法研究 | 第31-39页 |
| ·机器学习 | 第31页 |
| ·Hebbian 规则 | 第31-32页 |
| ·STDP 规则 | 第32-34页 |
| ·基于时空模式的改进权值调整算法 | 第34-37页 |
| ·时间模式 | 第35-36页 |
| ·空间模式 | 第36-37页 |
| ·基于 SRM 的动态阈值调整算法 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 SNN 的网络结构及其仿真对象设计 | 第39-49页 |
| ·传统 ANN 的网络结构 | 第39-40页 |
| ·基于图像分割的 SNN 网络结构 | 第40-41页 |
| ·适合图像分割的 SNN 仿真对象设计 | 第41-48页 |
| ·仿真环境选择 | 第41页 |
| ·模型对象设计 | 第41-46页 |
| ·仿真策略 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于 SNN 的图像分割新算法 | 第49-66页 |
| ·基于脉冲发放率编码方式的 SNN 图像分割方法 | 第49-53页 |
| ·基于视觉皮层处理过程 | 第50-51页 |
| ·基于同步 | 第51-53页 |
| ·基于 r-SNN 的图像分割新方法 | 第53-65页 |
| ·图像编码 | 第53-55页 |
| ·神经元模型 | 第55-56页 |
| ·学习规则 | 第56-58页 |
| ·分割算法 | 第58-61页 |
| ·仿真结果 | 第61-64页 |
| ·算法补充说明 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·总结 | 第66-67页 |
| ·进一步的工作 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 在学期间的研究成果 | 第75-76页 |
