基于非联合型学习机制的神经元构建方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 Hodgkin-Huxley模型 | 第9-10页 |
| 1.2.2 过程神经元模型 | 第10-11页 |
| 1.2.3 多值神经元模型 | 第11-12页 |
| 1.2.4 量子神经元模型与仿生神经元模型 | 第12-13页 |
| 1.3 课题的研究内容 | 第13页 |
| 1.4 主要工作与研究成果 | 第13-15页 |
| 第二章 神经计算科学基础 | 第15-25页 |
| 2.1 MCCULLOCH-PITTS神经元 | 第15-17页 |
| 2.1.1 M-P神经元运行假说 | 第15-16页 |
| 2.1.2 M-P神经元的定义 | 第16-17页 |
| 2.1.3 M-P神经元的结构及原理 | 第17页 |
| 2.2 反向传播学习算法 | 第17-21页 |
| 2.2.1 基于反向传播算法的多层感知器模型 | 第18-19页 |
| 2.2.2 反向传播算法 | 第19-20页 |
| 2.2.3 反向传播算法的推导过程 | 第20-21页 |
| 2.3 卷积神经网络 | 第21-24页 |
| 2.3.1 卷积神经网络原理 | 第21-22页 |
| 2.3.2 卷积神经网络结构 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 习惯化学习神经元 | 第25-30页 |
| 3.1 生物神经元习惯化的简化模型 | 第25页 |
| 3.2 习惯化神经元模型 | 第25-27页 |
| 3.3 仿真实验 | 第27-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第四章 去习惯化学习神经元 | 第30-35页 |
| 4.1 生物神经元去习惯化的简化模型 | 第30页 |
| 4.2 去习惯化神经元模型 | 第30-32页 |
| 4.3 仿真实验 | 第32-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 具有长短周期记忆习惯化的学习神经元 | 第35-41页 |
| 5.1 生物神经元长短周期记忆习惯化的简化模型 | 第35-36页 |
| 5.2 长短周期记忆习惯化神经元模型 | 第36-38页 |
| 5.3 神经元模型习惯化与自恢复仿真实验 | 第38-39页 |
| 5.4 本章小结 | 第39-41页 |
| 第六章 习惯化神经元在深度学习网络中的应用 | 第41-44页 |
| 6.1 习惯化神经元在深度网络中的应用 | 第41-42页 |
| 6.2 实验结果 | 第42-43页 |
| 6.4 本章小结 | 第43-44页 |
| 第七章 总结与展望 | 第44-45页 |
| 7.1 本文工作总结 | 第44页 |
| 7.2 未来工作展望 | 第44-45页 |
| 参考文献 | 第45-50页 |
| 在学期间的研究成果 | 第50-51页 |
| 致谢 | 第51页 |
