基于脉冲序列内积的脉冲神经网络监督学习研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 1 绪论 | 第11-26页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 脉冲神经网络监督学习的基本理论 | 第12-14页 |
| 1.2.1 脉冲神经网络监督学习算法的基本框架 | 第12-13页 |
| 1.2.2 脉冲神经网络监督学习算法的性能评价 | 第13-14页 |
| 1.3 脉冲神经网络监督学习的研究现状 | 第14-23页 |
| 1.3.1 基于梯度下降规则的监督学习算法 | 第14-18页 |
| 1.3.2 基于突触可塑性规则的监督学习算法 | 第18-21页 |
| 1.3.3 基于脉冲序列卷积的监督学习算法 | 第21-23页 |
| 1.4 本文的研究工作 | 第23-24页 |
| 1.5 论文的组织结构 | 第24-26页 |
| 2 脉冲序列内积的相关理论 | 第26-33页 |
| 2.1 核方法以及RKHS的相关理论 | 第26-27页 |
| 2.2 脉冲时间的内积 | 第27-28页 |
| 2.3 脉冲序列的内积 | 第28-31页 |
| 2.4 脉冲序列内积的性质 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 脉冲神经元的监督学习算法 | 第33-46页 |
| 3.1 脉冲响应模型 | 第33页 |
| 3.2 脉冲序列的转换关系 | 第33-34页 |
| 3.3 脉冲神经元监督学习算法 | 第34-36页 |
| 3.3.1 多脉冲误差函数 | 第34页 |
| 3.3.2 突触权值的学习规则 | 第34-35页 |
| 3.3.3 学习率自适应 | 第35-36页 |
| 3.3.4 脉冲序列的相似性度量 | 第36页 |
| 3.4 实验结果 | 第36-44页 |
| 3.4.1 学习过程分析 | 第37-38页 |
| 3.4.2 不同学习率的学习 | 第38-39页 |
| 3.4.3 不同输入神经元数目的学习 | 第39-40页 |
| 3.4.4 不同脉冲序列长度的学习 | 第40-41页 |
| 3.4.5 不同期望脉冲序列编码的学习 | 第41-42页 |
| 3.4.6 不同核函数的学习 | 第42-44页 |
| 3.5 讨论 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 多层前馈脉冲神经网络的监督学习算法 | 第46-52页 |
| 4.1 脉冲神经网络的多层前馈结构 | 第46页 |
| 4.2 多层前馈脉冲神经网络的学习规则 | 第46-48页 |
| 4.3 非线性模式分类问题 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52页 |
| 5.2 今后工作展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间的学术成果 | 第59-60页 |
| 致谢 | 第60页 |
