硅基光子神经网络模型探究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 人工神经网络发展史 | 第11-16页 |
| 1.1.1 AlphaGo引领全民AI热潮 | 第11-12页 |
| 1.1.2 第一代人工神经网络 | 第12-13页 |
| 1.1.3 第二代人工神经网络 | 第13-15页 |
| 1.1.4 第三代人工神经网络 | 第15-16页 |
| 1.2 人工神经网络研究现状 | 第16-19页 |
| 1.2.1 电子神经拟态系统 | 第16-17页 |
| 1.2.2 光子神经拟态系统 | 第17-19页 |
| 1.3 论文内容安排 | 第19-21页 |
| 第二章 光子脉冲神经元特性 | 第21-43页 |
| 2.1 生物LIF神经元模型 | 第22-24页 |
| 2.2 激光器LIF神经元模型 | 第24-27页 |
| 2.3 生物与激光器LIF神经元对比 | 第27-28页 |
| 2.4 激光器神经元响应特性 | 第28-42页 |
| 2.4.1 直流响应特性 | 第28-30页 |
| 2.4.2 单脉冲响应特性 | 第30-32页 |
| 2.4.3 决策时延 | 第32-35页 |
| 2.4.4 双脉冲响应特性 | 第35-42页 |
| 2.5 章节小结 | 第42-43页 |
| 第三章 光脉冲计算 | 第43-57页 |
| 3.1 光脉冲信息 | 第43-44页 |
| 3.2 脉冲信息编码 | 第44-45页 |
| 3.3 光脉冲逻辑门设计 | 第45-49页 |
| 3.3.1 设计原理 | 第46-47页 |
| 3.3.2 基于脉冲的逻辑门实现 | 第47-49页 |
| 3.4 循环二进制加法器 | 第49-55页 |
| 3.4.1 输出光脉冲特性 | 第49-50页 |
| 3.4.2 激发特性传递 | 第50-51页 |
| 3.4.3 光脉冲控制的反相器 | 第51-52页 |
| 3.4.4 循环加法器设计与实现 | 第52-55页 |
| 3.5 二进制乘法器 | 第55-56页 |
| 3.6 章节小结 | 第56-57页 |
| 第四章 光子脉冲神经网络 | 第57-65页 |
| 4.1 光脉冲神经元模型 | 第57-59页 |
| 4.1.1 固定时延脉冲神经元 | 第57-58页 |
| 4.1.2 可变时延脉冲神经元 | 第58页 |
| 4.1.3 循环脉冲神经元 | 第58-59页 |
| 4.2 光子脉冲神经网络 | 第59-63页 |
| 4.2.1 光子前馈脉冲神经网络 | 第60-61页 |
| 4.2.2 光子循环脉冲神经网络 | 第61-62页 |
| 4.2.3 学习与推理 | 第62-63页 |
| 4.3 实时射频信息处理架构 | 第63-64页 |
| 4.4 章节小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间取得的研究成果 | 第73页 |
