| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 忆阻器的发展概况 | 第8页 |
| 1.2 基于脉冲时间的神经网络学习规则---STDP | 第8-9页 |
| 1.3 忆阻器在ANN中的应用 | 第9页 |
| 1.4 本文的研究意义 | 第9-10页 |
| 1.5 本文的内容安排及结构 | 第10-12页 |
| 2 忆阻器 | 第12-31页 |
| 2.1 忆阻器的发展历史 | 第12-13页 |
| 2.2 忆阻器的理论基础 | 第13-15页 |
| 2.3 忆阻器模型介绍及其特性分析 | 第15-29页 |
| 2.3.1 惠普忆阻器模型 | 第15-26页 |
| 2.3.2 分段线性模型 | 第26-27页 |
| 2.3.3 遗忘模型 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 人工神经网络 | 第31-37页 |
| 3.1 人工神经网络概述 | 第31-35页 |
| 3.1.1 人工神经网络的发展 | 第31-32页 |
| 3.1.2 人工神经元模型 | 第32-33页 |
| 3.1.3 人工神经网络拓扑结构 | 第33-34页 |
| 3.1.4 人工神经网络学习规则 | 第34-35页 |
| 3.2 忆阻神经网络 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 STDP学习规则 | 第37-42页 |
| 4.1 STDP概述 | 第37-38页 |
| 4.2 STDP函数模型 | 第38-41页 |
| 4.2.1 STDP非对称时间窗函数模型 | 第38-40页 |
| 4.2.2 STDP对称时间窗函数模型 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 5 多种连接模型的忆阻神经网络学习 | 第42-52页 |
| 5.1 不同忆阻模型的边界变化 | 第42-44页 |
| 5.2 基因算法 | 第44-45页 |
| 5.3 实验模型及算法描述 | 第45-48页 |
| 5.4 实验结果分析 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 基于忆阻神经网络的联想学习与记忆过程 | 第52-62页 |
| 6.1 巴普洛夫实验 | 第52-53页 |
| 6.2 HEBB学习算法的缺陷 | 第53-54页 |
| 6.3 扩展网络模型及神经元结构 | 第54-55页 |
| 6.4 学习规则及遗忘特性 | 第55-56页 |
| 6.5 实验结果对比及分析 | 第56-60页 |
| 6.6 本章小结 | 第60-62页 |
| 7 总结与展望 | 第62-64页 |
| 7.1 本文的主要内容 | 第62-63页 |
| 7.2 对未来工作的展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| A. 攻读硕士学位期间所发表的论文目录： | 第69页 |
| B. 攻读硕士学位期间所参与的科研项目目录： | 第69页 |