首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

基于脉冲神经网络鲁棒性研究与应用

摘要第5-6页
abstract第6-7页
第一章 绪论第10-20页
    1.1 神经网络的产生与发展第10-11页
    1.2 神经网络的特点第11-12页
    1.3 脉冲神经网络概述第12-18页
        1.3.1 脉冲神经网络发展第12-16页
        1.3.2 脉冲神经网络鲁棒性研究现状第16-18页
    1.4 本论文的主要内容与结构安排第18-20页
第二章 脉冲神经网络分析第20-30页
    2.1 脉冲神经网络生物原理第20-21页
    2.2 脉冲神经元模型第21-24页
        2.2.1 LIF模型第22-23页
        2.2.2 SRM模型第23-24页
    2.3 脉冲神经网络学习算法第24-29页
        2.3.1 ReSuMe学习算法第25-26页
        2.3.2 PBSNLR学习算法第26-27页
        2.3.3 DL-ReSuMe学习算法第27-29页
    2.4 本章小结第29-30页
第三章 线性动态阈值与EDL-ReSuMe第30-41页
    3.1 线性动态阈值第30-34页
        3.1.1 (?)t_d时间线性动态阈值第31-32页
        3.1.2 (?)_d时间线性动态阈值第32-34页
    3.2 基于线性动态阈值的L-ReSuMe学习算法第34-35页
    3.3 基于时延的EDL-ReSuMe学习算法第35-39页
    3.4 LEDL-ReSuMe学习算法第39-40页
    3.5 本章小结第40-41页
第四章L-ReSuMe、EDL-ReSuMe和LEDL-ReSuMe性能分析第41-57页
    4.1 L-ReSuMe脉冲序列学习第41-42页
    4.2 EDL-ReSuMe的脉冲序列学习第42-44页
    4.3 LEDL-ReSuMe的脉冲序列学习第44-48页
    4.4 LEDL-ReSuMe的抗噪性第48-53页
        4.4.1 干扰膜电压的鲁棒性第48-50页
        4.4.2 输入脉冲扰动的鲁棒性第50-53页
    4.5 抗噪性分析与讨论第53-56页
        4.5.1 抗噪普适性第53-54页
        4.5.2 抗噪性、准确性及速率的关系第54-56页
    4.6 本章小结第56-57页
第五章 LEDL-ReSuMe的实际应用第57-67页
    5.1 XOR问题第57-59页
    5.2 光学字符识别第59-61页
    5.3 图像识别第61-65页
    5.4 本章小结第65-67页
第六章 总结与展望第67-69页
    6.1 总结第67-68页
    6.2 展望第68-69页
致谢第69-70页
参考文献第70-75页

论文共75页,点击 下载论文
上一篇:基于多操作中心的智能电网AMI系统架构设计与性能分析
下一篇:Novel Hybrid Decision Support Disease Diagnosis Systems Using Machine Learning Algorithm