| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 脉冲神经网络的学习算法研究现状 | 第12-14页 |
| 1.2.1 脉冲神经网络的无监督学习 | 第12-13页 |
| 1.2.2 脉冲神经网络的监督学习 | 第13-14页 |
| 1.2.3 脉冲神经网络的强化学习 | 第14页 |
| 1.3 脉冲神经网络的在线学习研究进展 | 第14-19页 |
| 1.3.1 脉冲序列在线监督学习方法的特点 | 第14-17页 |
| 1.3.2 脉冲神经网络在线学习方法分析 | 第17-19页 |
| 1.4 本文的研究工作 | 第19-20页 |
| 1.5 论文的组织结构 | 第20-21页 |
| 2 脉冲神经网络的梯度下降学习理论 | 第21-29页 |
| 2.1 人工神经网络的梯度学习方法 | 第21-22页 |
| 2.2 基于单脉冲发放的SpikeProp算法 | 第22-25页 |
| 2.3 基于多脉冲的Multi-SpikeProp算法 | 第25-27页 |
| 2.3.1 限制输出神经元发放脉冲的学习规则 | 第25-26页 |
| 2.3.2 不限制神经元脉冲发放的学习规则 | 第26-27页 |
| 2.4 其他的梯度下降监督学习算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于梯度下降的在线监督学习算法 | 第29-39页 |
| 3.1 神经元脉冲的发放过程及模型 | 第29-32页 |
| 3.1.1 神经元的脉冲发放过程 | 第29-31页 |
| 3.1.2 脉冲响应神经元模型 | 第31-32页 |
| 3.2 多层前馈脉冲神经网络结构 | 第32-33页 |
| 3.3 基于梯度下降的在线学习规则 | 第33-38页 |
| 3.3.1 脉冲实时误差函数 | 第33-35页 |
| 3.3.2 最后一个隐含层到输出层的突触权值学习规则 | 第35-36页 |
| 3.3.3 输入层到隐含层或隐含层之间的突触权值学习规则 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 脉冲序列模式的学习及分类 | 第39-51页 |
| 4.1 脉冲序列学习的度量标准 | 第39页 |
| 4.2 脉冲序列的学习任务 | 第39-45页 |
| 4.2.1 学习过程分析 | 第40-41页 |
| 4.2.2 不同学习率的比较 | 第41-43页 |
| 4.2.3 不同网络参数的对比 | 第43-44页 |
| 4.2.4 在线和离线学习算法的比较 | 第44-45页 |
| 4.3 非线性模式分类的One-pass学习 | 第45-50页 |
| 4.3.1 Iris数据集的分类问题 | 第46-48页 |
| 4.3.2 乳腺癌数据集的分类问题 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 结论与展望 | 第51-52页 |
| 5.1 结论 | 第51页 |
| 5.2 展望 | 第51-52页 |
| 6 参考文献 | 第52-56页 |
| 攻读硕士学位期间的成果 | 第56-57页 |
| 致谢 | 第57页 |
