| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 课题研究背景 | 第9-11页 |
| 1.2.1 课题由来 | 第9-10页 |
| 1.2.2 课题的主要研究内容 | 第10-11页 |
| 1.3 课题的创新点 | 第11-12页 |
| 1.4 本文的结构安排 | 第12-14页 |
| 第2章 脉冲神经网络及其学习算法的研究现状 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 生物神经网络 | 第14-17页 |
| 2.2.1 神经元 | 第14-15页 |
| 2.2.2 细胞体 | 第15-16页 |
| 2.2.3 轴突 | 第16页 |
| 2.2.4 树突 | 第16页 |
| 2.2.5 突触 | 第16-17页 |
| 2.3 脉冲神经网络 | 第17-25页 |
| 2.3.1 脉冲神经元模型 | 第17-23页 |
| 2.3.2 网络拓扑结构 | 第23-25页 |
| 2.4 编码方式 | 第25-29页 |
| 2.4.1 频率编码 | 第25-27页 |
| 2.4.2 脉冲时间编码 | 第27-28页 |
| 2.4.3 内部脉冲间隔编码 | 第28-29页 |
| 2.5 学习算法 | 第29-30页 |
| 2.5.1 无监督学习算法 | 第29页 |
| 2.5.2 监督学习算法 | 第29-30页 |
| 2.6 脉冲神经网络学习算法优化策略 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 Multi-SpikeProp监督学习算法优化 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 SRM模型与网络结构 | 第32-33页 |
| 3.3 Multi-SpikeProp学习算法 | 第33-35页 |
| 3.4 Multi-SpikeProp算法优化方法 | 第35-38页 |
| 3.4.1 增加动量因子方法 | 第35-36页 |
| 3.4.2 调整学习率参数 | 第36-38页 |
| 3.4.3 更改误差函数方法 | 第38页 |
| 3.5 性能分析与对比 | 第38-42页 |
| 3.5.1 “异或”实验 | 第38-40页 |
| 3.5.2 乳腺癌细胞数据集验证 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 脉冲神经网络稳定性优化 | 第43-50页 |
| 4.1 引言 | 第43页 |
| 4.2 SRM模型与学习规则 | 第43-44页 |
| 4.3 anti-noise学习规则 | 第44-45页 |
| 4.3.1 训练方式 | 第44-45页 |
| 4.3.2 指数形式 | 第45页 |
| 4.4 性能分析与实验比对 | 第45-49页 |
| 4.4.1 噪声扰动方式 | 第46页 |
| 4.4.2 “异或”实验 | 第46-47页 |
| 4.4.3 乳腺癌细胞识别测试 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于SNN的脑电信号情感识别 | 第50-61页 |
| 5.1 引言 | 第50页 |
| 5.2 NeuCube脉冲神经网络架构 | 第50-51页 |
| 5.3 DEAP数据集 | 第51-52页 |
| 5.4 数据处理方法 | 第52-54页 |
| 5.4.1 时域特征 | 第53页 |
| 5.4.2 频域特征 | 第53页 |
| 5.4.3 时频特征 | 第53-54页 |
| 5.5 NeuCube框架分类情感指标 | 第54-58页 |
| 5.6 实验结果对比 | 第58-60页 |
| 5.7 本章小结 | 第60-61页 |
| 第6章 总结及未来工作 | 第61-62页 |
| 6.1 总结 | 第61页 |
| 6.2 未来工作安排 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间的科研成果 | 第66-67页 |
| 致谢 | 第67-68页 |