脉冲神经网络学习算法的研究及其应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景和意义 | 第10-11页 |
| 1.2 国内外研究历史和现状 | 第11-13页 |
| 1.3 本文的研究内容及创新 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 第二章 Spiking神经网络相关技术介绍 | 第15-34页 |
| 2.1 Spiking神经网络介绍 | 第15-23页 |
| 2.1.1 脉冲神经网络生物原理 | 第15-17页 |
| 2.1.2 脉冲神经元模型介绍 | 第17-23页 |
| 2.2 Spiking神经网络学习算法 | 第23-33页 |
| 2.2.1 SNN监督学习的基本理论 | 第24-26页 |
| 2.2.2 基于突触可塑性的监督学习算法 | 第26-28页 |
| 2.2.3 基于梯度下降规则的监督学习算法 | 第28-31页 |
| 2.2.4 基于脉冲序列卷积的监督学习算法 | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于梯度下降的多脉冲监督学习算法研究 | 第34-50页 |
| 3.1 神经元模型 | 第34-35页 |
| 3.2 监督学习算法推导 | 第35-39页 |
| 3.2.1 输出层的权重调整推导 | 第35-37页 |
| 3.2.2 隐藏层的权重调整推导 | 第37-39页 |
| 3.3 算法分析与优化 | 第39-42页 |
| 3.3.1 算法分析 | 第39-41页 |
| 3.3.2 算法优化 | 第41-42页 |
| 3.4 算法仿真 | 第42-49页 |
| 3.5 本章总结 | 第49-50页 |
| 第四章 基于延迟的SNN监督学习算法研究 | 第50-60页 |
| 4.1 神经元模型以及网络结构 | 第50-51页 |
| 4.2 监督学习算法推导 | 第51-54页 |
| 4.3 算法扩展与仿真 | 第54-58页 |
| 4.3.1 算法扩展 | 第54-55页 |
| 4.3.2 算法仿真 | 第55-58页 |
| 4.4 本章总结 | 第58-60页 |
| 第五章 SNN监督学习算法应用 | 第60-65页 |
| 5.1 The XOR benchmark | 第60-63页 |
| 5.1.1 技术细节 | 第60-61页 |
| 5.1.2 学习参数 | 第61-62页 |
| 5.1.3 学习分析 | 第62-63页 |
| 5.2 The Iris benchmark | 第63-64页 |
| 5.2.1 技术细节 | 第63-64页 |
| 5.2.2 学习分析 | 第64页 |
| 5.3 本章总结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 硕士期间取得的成果 | 第74-75页 |
