| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容与结构安排 | 第13-15页 |
| 第二章 脉冲神经网络概述 | 第15-29页 |
| 2.1 生物神经元机制 | 第15-16页 |
| 2.2 脉冲神经元模型 | 第16-25页 |
| 2.2.1 IF模型 | 第16-18页 |
| 2.2.2 Multi-spike Tempotron模型 | 第18-21页 |
| 2.2.3 SRM模型 | 第21-23页 |
| 2.2.4 基于延迟策略的SRM模型 | 第23-25页 |
| 2.3 算法训练效果判定准则 | 第25-26页 |
| 2.4 STDP和anti-STDP过程 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 脉冲驱动的神经网络的监督学习算法 | 第29-48页 |
| 3.1 远程监督学习算法 | 第29-36页 |
| 3.1.1 ReSuMe算法学习规则 | 第29-33页 |
| 3.1.2 ReSuMe算法学习效果与分析 | 第33-36页 |
| 3.2 一种改进的多层ReSuMe算法 | 第36-42页 |
| 3.2.1 网络误差的反向传播 | 第36-37页 |
| 3.2.2 多层神经网络的权值更新 | 第37-40页 |
| 3.2.3 多层ReSuMe算法学习效果与分析 | 第40-42页 |
| 3.3 加入延迟策略的Multi-RuSuMe算法 | 第42-47页 |
| 3.3.1 Multi-DL-ReSuMe算法权重更新以及延迟更新推导 | 第42-45页 |
| 3.3.2 Multi-DL-ReSuMe学习效果与分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 加入噪声阈值的Multi-DL-ReSuMe算法 | 第48-53页 |
| 4.1 噪声阈值 | 第48-50页 |
| 4.1.1 在Nt_d区间内的噪音阈值 | 第49页 |
| 4.1.2 在t_d区间内的噪音阈值 | 第49-50页 |
| 4.2 Multi-DLN-ReSuMe算法 | 第50-51页 |
| 4.3 Multi-DLN-ReSuMe实验效果及分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 对比实验与结果分析及应用 | 第53-62页 |
| 5.1 效率对比 | 第53-55页 |
| 5.2 准确率对比 | 第55-56页 |
| 5.3 抗噪性对比 | 第56-58页 |
| 5.3.1 背景电压噪声下的抗噪性对比 | 第56-57页 |
| 5.3.2 输入抖动噪声下的抗噪性对比 | 第57-58页 |
| 5.4 Multi-DLN-ReSuMe算法在图像分类中的应用 | 第58-61页 |
| 5.5 本章小节 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文主要工作与结论 | 第62页 |
| 6.2 工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻硕期间的研究成果 | 第69页 |
