| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第19-31页 |
| 1.1 生物神经系统基础 | 第20-24页 |
| 1.1.1 生物神经系统基本单元与网络构成 | 第20-22页 |
| 1.1.2 生物神经编码方式：基于放电率和基于放电尖峰 | 第22-23页 |
| 1.1.3 神经系统的信息表示与自稳 | 第23-24页 |
| 1.2 神经系统协同学习的概念 | 第24-27页 |
| 1.2.1 神经连接的突触可塑性 | 第24-25页 |
| 1.2.2 神经元内在可塑性 | 第25-26页 |
| 1.2.3 突触可塑性与内在可塑性的协同 | 第26-27页 |
| 1.3 本文研究线路与结构安排 | 第27-30页 |
| 1.4 本文主要贡献 | 第30-31页 |
| 2 神经网络中的突触可塑性 | 第31-47页 |
| 2.1 引言：生物神经突触可塑性与人工神经网络权重学习 | 第31-32页 |
| 2.2 神经科学中的突触可塑性规则 | 第32-38页 |
| 2.2.1 基于放电率的规则：Hebb,Oja和BCM规则 | 第32-34页 |
| 2.2.2 基于动作电位的规则：spike-timing-dependent plasticity | 第34-36页 |
| 2.2.3 统一的突触可塑性规则：Calcium-dependent plasticity | 第36页 |
| 2.2.4 反Hebb规则 | 第36-37页 |
| 2.2.5 突触归一化 | 第37页 |
| 2.2.6 结构可塑性与稀疏神经网络连接 | 第37-38页 |
| 2.2.7 突触可塑性与自稳 | 第38页 |
| 2.3 人工神经网络机器学习方法中的权重调整算法 | 第38-40页 |
| 2.4 小世界神经振子网络SWON：自稳和信息表示 | 第40-45页 |
| 2.4.1 SWON神经元模型 | 第41页 |
| 2.4.2 SWON网络结构 | 第41-43页 |
| 2.4.3 SWON实验结果 | 第43-45页 |
| 2.5 本章小结 | 第45-47页 |
| 3 神经元内在可塑性 | 第47-74页 |
| 3.1 引言：信息最大化与维持自稳的局部机制 | 第47页 |
| 3.2 内在可塑性神经生理学实验现象 | 第47-49页 |
| 3.3 神经元内在可塑性规则 | 第49-54页 |
| 3.3.1 基于放电率神经元模型的内在可塑性规则 | 第49-52页 |
| 3.3.2 基于放电尖峰神经元模型的内在可塑性规则 | 第52-54页 |
| 3.4 IF神经元模型基于放电尖峰的内在可塑性学习规则 | 第54-73页 |
| 3.4.1 Li内在可塑性规则的分析 | 第54-55页 |
| 3.4.2 IF神经元模型 | 第55-56页 |
| 3.4.3 IF神经元模型激活函数 | 第56-57页 |
| 3.4.4 基于尖峰的内在可塑性规则 | 第57-60页 |
| 3.4.5 可塑性规则理论分析 | 第60-64页 |
| 3.4.6 仿真结果 | 第64-73页 |
| 3.5 本章小结 | 第73-74页 |
| 4 计算神经建模中的协同学习方法 | 第74-88页 |
| 4.1 引言：突触可塑性和内在可塑性协同 | 第74页 |
| 4.2 神经建模中的协同学习 | 第74-81页 |
| 4.2.1 神经输入有效编码：稀疏编码,独立成分分析,自组织映射 | 第74-80页 |
| 4.2.2 神经系统中的自激神经活动 | 第80页 |
| 4.2.3 神经系统中的信号传输 | 第80-81页 |
| 4.3 建模复杂生物实验现象 | 第81-87页 |
| 4.3.1 视觉系统神经生理学实验 | 第81-84页 |
| 4.3.2 建模实验结果的协同学习模型 | 第84-87页 |
| 4.4 本章小结 | 第87-88页 |
| 5 机器学习中的协同学习方法 | 第88-122页 |
| 5.1 引言：从神经建模到机器学习 | 第88-89页 |
| 5.2 基于信息论的协同学习 | 第89-101页 |
| 5.2.1 信息最大化算法作为内在可塑性规则 | 第91-92页 |
| 5.2.2 误差熵最小化算法作为突触可塑性规则 | 第92-94页 |
| 5.2.3 信息论协同学习算法 | 第94-95页 |
| 5.2.4 信息论协同学习的稳定性分析 | 第95-96页 |
| 5.2.5 前馈神经网络结构 | 第96-97页 |
| 5.2.6 前馈神经网络协同学习算法 | 第97-99页 |
| 5.2.7 递归神经网络结构 | 第99-100页 |
| 5.2.8 递归神经网络协同学习算法 | 第100-101页 |
| 5.3 信息论协同学习仿真结果 | 第101-117页 |
| 5.3.1 前馈神经网络仿真结果 | 第102-111页 |
| 5.3.2 递归神经网络仿真结果 | 第111-117页 |
| 5.4 深度神经网络中的激活函数 | 第117-119页 |
| 5.5 本章小节 | 第119-122页 |
| 6 总结与展望 | 第122-124页 |
| 参考文献 | 第124-140页 |
| 作者简历与科研成果 | 第140-141页 |
