| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 课题的研究背景及国内外研究概况 | 第7-9页 |
| 1.2 本文的主要研究工作和创新点 | 第9-11页 |
| 1.2.1 主要内容 | 第9-11页 |
| 1.2.2 创新点 | 第11页 |
| 1.3 本论文各章节内容及安排 | 第11-13页 |
| 2 脉冲神经网络及突触可塑性 | 第13-23页 |
| 2.1 生物神经元 | 第13-15页 |
| 2.1.1 神经元及神经脉冲 | 第13-14页 |
| 2.1.2 大脑皮层内的神经活动 | 第14-15页 |
| 2.2 脉冲神经元模型 | 第15-18页 |
| 2.2.1 从Hodgkin-Huxley模型到简单的二维模型 | 第15-16页 |
| 2.2.2 本文选用的神经元模型及其参数设定 | 第16-18页 |
| 2.3 突触及突触可塑性 | 第18-21页 |
| 2.3.1 生物神经系统中的突触 | 第18-19页 |
| 2.3.2 突触可塑性及突触电流模型 | 第19-21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 融合多种可塑性的脉冲神经网络 | 第23-43页 |
| 3.1 引言 | 第23-24页 |
| 3.2 短时突触可塑性 | 第24-25页 |
| 3.3 STDP（spike-timing-dependent plasticity） | 第25-27页 |
| 3.3.1 兴奋型STDP | 第25-26页 |
| 3.3.2 抑制性STDP | 第26-27页 |
| 3.4 神经元的内部可塑性 | 第27-30页 |
| 3.5 Hybrid Plasticity SNN模型 (HP-SNN) | 第30-32页 |
| 3.6 实验结果及分析 | 第32-42页 |
| 3.6.1 兴奋性STDP与抑制性STDP学习对同步性的影响分析 | 第32-35页 |
| 3.6.2 STDP与内部可塑性学习对于网络结构的影响 | 第35-39页 |
| 3.6.3 内部可塑性学习对网络放电活动及熵的影响分析 | 第39-42页 |
| 3.7 本章小结 | 第42-43页 |
| 4 利用HP-SNN优化储备池模型 | 第43-65页 |
| 4.1 储备池计算 | 第43页 |
| 4.2 仿生脉冲信号的计算及重构实验 | 第43-49页 |
| 4.2.1 实验方法 | 第44-45页 |
| 4.2.2 实验结果及分析 | 第45-49页 |
| 4.3 脉冲序列的模式分类 | 第49-62页 |
| 4.3.1 实验方法 | 第49-53页 |
| 4.3.2 实验结果及分析 | 第53-60页 |
| 4.3.3 本文方法与其他文献中方法的比较 | 第60-61页 |
| 4.3.4 本实验的应用延伸研究 | 第61-62页 |
| 4.4 本章小结 | 第62-65页 |
| 5 结论与展望 | 第65-67页 |
| 5.1 结论 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 附录 | 第75页 |
| A. 作者在攻读学位期间发表的论文目录 | 第75页 |
| B. 作者在攻读硕士学位期间参与的项目 | 第75页 |
| C. 作者在攻读硕士学位期间获得的荣誉 | 第75页 |
