| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题学术背景及其研究意义 | 第9-10页 |
| 1.2 国内外脉冲神经网络的研究进展 | 第10-14页 |
| 1.2.1 脉冲神经网络训练方式的研究现状 | 第10-13页 |
| 1.2.2 使用脉冲神经网络进行语音识别的研究现状 | 第13-14页 |
| 1.3 本论文的主要研究内容 | 第14-15页 |
| 第2章 脉冲神经网络的相关理论及现存模型研究 | 第15-31页 |
| 2.1 神经科学中的常见计算模型 | 第15-20页 |
| 2.1.1 常见神经元模型 | 第15-17页 |
| 2.1.2 常见突触可塑性规则模型 | 第17-18页 |
| 2.1.3 脉冲神经网络的编码方式 | 第18-20页 |
| 2.2 全连接脉冲神经网络的研究与实验 | 第20-26页 |
| 2.3 深度卷积脉冲神经网络的研究与实验 | 第26-30页 |
| 2.4 本章小节 | 第30-31页 |
| 第3章 基于PyCUDA的脉冲神经网络模拟框架 | 第31-40页 |
| 3.1 脉冲神经网络编程平台的调研 | 第31-34页 |
| 3.2 脉冲神经网络编程平台的实验 | 第34-35页 |
| 3.3 基于PyCUDA的脉冲神经网络编程实现 | 第35-39页 |
| 3.3.1 设计目标 | 第35页 |
| 3.3.2 软件依赖 | 第35-36页 |
| 3.3.3 顶层逻辑(Python) | 第36-37页 |
| 3.3.4 底层计算(CUDA) | 第37-39页 |
| 3.4 本章小节 | 第39-40页 |
| 第4章 基于卷积脉冲神经网络的无监督语音识别 | 第40-57页 |
| 4.1 简介 | 第40页 |
| 4.2 前人工作 | 第40-42页 |
| 4.3 模型与方法 | 第42-47页 |
| 4.3.1 输入编码 | 第42-43页 |
| 4.3.2 卷积层 | 第43-45页 |
| 4.3.3 局部权重共享 | 第45页 |
| 4.3.4 通过STDP学习权重 | 第45-46页 |
| 4.3.5 池化层 | 第46页 |
| 4.3.6 模型评估 | 第46-47页 |
| 4.4 实验结果 | 第47-53页 |
| 4.4.1 数据预处理 | 第47页 |
| 4.4.2 在TIDIGITS数据集上的性能 | 第47-48页 |
| 4.4.3 局部权值共享的效果 | 第48-50页 |
| 4.4.4 感受野的演化 | 第50-51页 |
| 4.4.5 脉冲神经网络的高效编码 | 第51-53页 |
| 4.5 讨论 | 第53-55页 |
| 4.5.1 与其它模型的对比 | 第53-55页 |
| 4.5.2 STDP的有效性 | 第55页 |
| 4.6 本章小节 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-68页 |
| 攻读硕士学位期间的科研成果 | 第68-69页 |
| 致谢 | 第69页 |