Spiking学习算法研究及其在图像特征提取上的应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 主要创新和总体思路 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第二章 研究相关理论与方法 | 第16-29页 |
| 2.1 引言 | 第16-18页 |
| 2.2 Spiking神经网络的生物优势 | 第18-20页 |
| 2.3 Spiking神经网络的常见模型 | 第20-28页 |
| 2.3.1 积分触发模型 | 第20-23页 |
| 2.3.2 脉冲响应模型 | 第23-25页 |
| 2.3.3 霍奇金和赫胥黎模型 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 Spiking图像特征提取方法 | 第29-42页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于神经网络的图像特征提取 | 第30-32页 |
| 3.3 一种图像特征提取的改进方法 | 第32-36页 |
| 3.3.1 特征提取过程 | 第33-35页 |
| 3.3.2 特征编码过程 | 第35-36页 |
| 3.4 实验与分析 | 第36-41页 |
| 3.4.1 图像特征提取效果 | 第37-38页 |
| 3.4.2 输出脉冲解码还原 | 第38-39页 |
| 3.4.3 改进方法的优势分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于膜电压函数的Spiking学习算法 | 第42-61页 |
| 4.1 Spiking神经网络经典学习算法 | 第42-48页 |
| 4.1.1 Tempotron学习算法 | 第42-44页 |
| 4.1.2 PBSNLR学习算法 | 第44-46页 |
| 4.1.3 ReSuMe学习算法 | 第46-48页 |
| 4.2 基于膜电压驱动的PDSLR算法 | 第48-51页 |
| 4.3 算法性能测试 | 第51-60页 |
| 4.3.1 算法有效性验证 | 第51-53页 |
| 4.3.2 算法训练效率测试 | 第53-56页 |
| 4.3.3 算法鲁棒性分析 | 第56-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 基于Spiking神经网络的图像识别模型 | 第61-71页 |
| 5.1 引言 | 第61-62页 |
| 5.2 计算模型描述 | 第62-63页 |
| 5.3 模型仿真实验 | 第63-70页 |
| 5.3.1 仿真环境的选择 | 第63-64页 |
| 5.3.2 模型识别效果测试 | 第64-67页 |
| 5.3.3 计算模型鲁棒性 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 论文总结 | 第71-72页 |
| 6.2 后续工作及展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间获得的成果 | 第79-80页 |
