| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究工作的背景与意义 | 第11-13页 |
| 1.2 Spiking神经网络和深度神经网络的国内外研究历史与现状 | 第13-16页 |
| 1.2.1 Spiking神经网络国内外研究现状 | 第13-14页 |
| 1.2.2 深度学习国内外研究现状 | 第14-16页 |
| 1.3 本文的总体研究思路与创新 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 Spiking神经网络基础 | 第19-30页 |
| 2.1 Spiking神经元生物背景 | 第19-23页 |
| 2.2 Spiking神经元模型 | 第23-26页 |
| 2.2.1 漏积分点火模型 | 第23-25页 |
| 2.2.2 脉冲响应模型 | 第25-26页 |
| 2.3 Spiking神经网络学习算法 | 第26-27页 |
| 2.4 Spiking神经网络计算能力和复杂性 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 Spiking—卷积神经网络结构 | 第30-39页 |
| 3.1 卷积神经网络 | 第30-34页 |
| 3.1.1 网络基本结构 | 第30-31页 |
| 3.1.2 网络基本特性 | 第31-33页 |
| 3.1.3 图像识别通用过程 | 第33-34页 |
| 3.2 Spiking神经网络与CNN结合的挑战 | 第34页 |
| 3.3 基于CNN框架的Spiking神经网络 | 第34-38页 |
| 3.3.1 卷积层 | 第36-37页 |
| 3.3.2 池化层 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 Spiking—卷积神经网络编码 | 第39-50页 |
| 4.1 Spiking神经网络传统编码机制 | 第39-41页 |
| 4.2 网络结构 | 第41-42页 |
| 4.3 算法描述 | 第42-46页 |
| 4.3.1 Spiking神经元初始化 | 第42-43页 |
| 4.3.2 权重设定 | 第43-44页 |
| 4.3.3 算法流程图 | 第44-45页 |
| 4.3.4 区域合并 | 第45-46页 |
| 4.4 实验与分析 | 第46-49页 |
| 4.4.1 仿真环境选择 | 第46页 |
| 4.4.2 参数优化对比 | 第46-47页 |
| 4.4.3 算法效果对比 | 第47-49页 |
| 4.4.4 区域合并效果 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于STDP的脉冲深度神经网络 | 第50-66页 |
| 5.1 STDP学习算法 | 第50-54页 |
| 5.1.1 生物原理 | 第50-51页 |
| 5.1.2 学习算法 | 第51-54页 |
| 5.1.2.1 STDP规则 | 第52-53页 |
| 5.1.2.2 突触缩放 | 第53-54页 |
| 5.2 基于STDP的脉冲深度神经网络(SDNN) | 第54-56页 |
| 5.2.1 网络收敛条件 | 第54-55页 |
| 5.2.2 全局池化层 | 第55页 |
| 5.2.3 算法流程图 | 第55-56页 |
| 5.3 实验与分析 | 第56-64页 |
| 5.3.1 Caltech 101数据集 | 第56-61页 |
| 5.3.1.1 模型收敛性分析 | 第57-58页 |
| 5.3.1.2 网络可视化分析 | 第58-59页 |
| 5.3.1.3 模型结构分析 | 第59-60页 |
| 5.3.1.4 模型鲁棒性测试 | 第60页 |
| 5.3.1.5 小数据集结果分析 | 第60-61页 |
| 5.3.2 MNIST数据集 | 第61-64页 |
| 5.3.2.1 模型参数 | 第62-63页 |
| 5.3.2.2 特征图可视化 | 第63页 |
| 5.3.2.3 模型对比分析 | 第63-64页 |
| 5.3.3 计算瓶颈 | 第64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 全文总结与展望 | 第66-68页 |
| 6.1 全文总结 | 第66页 |
| 6.2 后续工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士期间取得的成果 | 第74页 |