| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 储备池的研究现状 | 第12-13页 |
| 1.3 神经信息的时间编码策略 | 第13-15页 |
| 1.4 本文的研究工作 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 2 储备池计算技术 | 第17-31页 |
| 2.1 储备池计算 | 第17-19页 |
| 2.2 回声状态网络 | 第19-22页 |
| 2.2.1 网络模型 | 第19-21页 |
| 2.2.2 网络训练 | 第21-22页 |
| 2.3 液体状态机 | 第22-27页 |
| 2.3.1 网络模型 | 第23-24页 |
| 2.3.2 网络训练 | 第24页 |
| 2.3.3 神经元模型 | 第24-27页 |
| 2.4 储备池训练算法 | 第27-30页 |
| 2.4.1 离线训练学习算法 | 第27-29页 |
| 2.4.2 在线训练学习算法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 储备池的脉冲序列监督学习算法 | 第31-39页 |
| 3.1 基于时间编码储备池模型 | 第31-32页 |
| 3.2 STDP突触可塑性机制 | 第32-35页 |
| 3.2.1 生物的突触可塑性 | 第32-33页 |
| 3.2.2 STDP学习规则 | 第33-35页 |
| 3.3 基于ReSuMe的储备池输出层权值学习算法 | 第35-36页 |
| 3.4 基于双向调控的池层权值学习算法 | 第36-38页 |
| 3.4.1 双向调控机制 | 第36-37页 |
| 3.4.2 突触权值的学习规则 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 脉冲序列模式学习分析 | 第39-46页 |
| 4.1 脉冲序列误差函数 | 第39-40页 |
| 4.2 脉冲序列学习过程分析 | 第40-41页 |
| 4.3 学习率与反向传播率的分析比较 | 第41-42页 |
| 4.4 池层网络结构的学习性能比较 | 第42-43页 |
| 4.5 学习规则不同时储备池网络学习性能比较 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 文章总结 | 第46页 |
| 5.2 研究展望 | 第46-48页 |
| 6 参考文献 | 第48-53页 |
| 攻读硕士学位期间的学术成果 | 第53-54页 |
| 致谢 | 第54页 |