| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容与贡献 | 第13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 Spiking神经网络基础 | 第15-28页 |
| 2.1 生物神经元原理 | 第15-16页 |
| 2.2 Spiking神经元基本模型 | 第16-22页 |
| 2.2.1 Hodgkin-Huxley神经元模型 | 第17-19页 |
| 2.2.2 Integrate and Fire神经元模型 | 第19页 |
| 2.2.3 Spike Respond Model神经元模型 | 第19-22页 |
| 2.3 Spiking神经元信息编码 | 第22-23页 |
| 2.3.1 基于频率的脉冲编码(Rate coding) | 第22-23页 |
| 2.3.2 基于时间的脉冲编码(Temporal coding) | 第23页 |
| 2.4 Spiking神经网络学习机制 | 第23-27页 |
| 2.4.1 脉冲时间依赖可塑性(STDP)学习机制 | 第23-25页 |
| 2.4.2 远程监督学习算法(ReSuMe)学习机制 | 第25-26页 |
| 2.4.3 SpikeProp学习机制 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 融合Spiking的视觉特征提取 | 第28-42页 |
| 3.1 生物视觉系统的启示 | 第28-29页 |
| 3.2 基于Gabor滤波器的边缘提取 | 第29-36页 |
| 3.2.1 Gabor滤波器 | 第30-32页 |
| 3.2.2 Gabor滤波器卷积的缺陷 | 第32页 |
| 3.2.3 Sobel-Feldman算子 | 第32-33页 |
| 3.2.4 基于边缘线条梯度方向的卷积层稀疏化 | 第33-35页 |
| 3.2.5 稀疏化性能评估 | 第35-36页 |
| 3.3 基于Spiking的特征编码和采样 | 第36-40页 |
| 3.3.1 脉冲时间编码 | 第36-37页 |
| 3.3.2 基于差异延迟的Spiking采样 | 第37-39页 |
| 3.3.3 多尺度的Spiking编码采样 | 第39-40页 |
| 3.4 特征提取方法的优势分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 有监督学习算法Tempotron及其改进 | 第42-53页 |
| 4.1 有监督学习算法Tempotron | 第42-45页 |
| 4.1.1 标准Tempotron算法原理 | 第42-44页 |
| 4.1.2 标准Tempotron算法优缺点分析 | 第44-45页 |
| 4.2 Tempotron算法的改进 | 第45-46页 |
| 4.3 实验分析 | 第46-51页 |
| 4.3.1 算法有效性验证 | 第46-49页 |
| 4.3.2 超参数选择 | 第49-50页 |
| 4.3.3 电压噪声下的效果测试 | 第50-51页 |
| 4.3.4 抖动噪声下的效果测试 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 基于Spiking神经网络的模式识别模型 | 第53-60页 |
| 5.1 模型结构 | 第53-56页 |
| 5.1.1 Spiking神经网络模型 | 第53-54页 |
| 5.1.2 改进的Spiking神经网络模型 | 第54-56页 |
| 5.2 基于Spiking神经网络的模式识别实验结果及分析 | 第56-59页 |
| 5.2.1 Caltech 101 | 第56-57页 |
| 5.2.2 网络设置和超参数 | 第57页 |
| 5.2.3 识别准确率实验分析 | 第57-58页 |
| 5.2.4 高斯噪声干扰下的识别测试 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文主要工作与结论 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻硕期间的研究成果 | 第69页 |
