| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态分析 | 第11-13页 |
| 1.3 本文主要研究内容及贡献 | 第13页 |
| 1.4 章节安排 | 第13-15页 |
| 第二章 脉冲神经形态模型的基本框架 | 第15-24页 |
| 2.1 神经信息编码 | 第15-20页 |
| 2.1.1 特征提取 | 第15-19页 |
| 2.1.2 脉冲序列 | 第19-20页 |
| 2.2 SNN学习算法 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于HMAX模型的神经编码算法研究与优化 | 第24-40页 |
| 3.1 生物视觉分层模型的研究与改进 | 第25-30页 |
| 3.1.1 HMAX模型简介 | 第25-26页 |
| 3.1.2 HMAX模型的一些改进方向 | 第26-27页 |
| 3.1.3 改进的HMAX模型 | 第27-30页 |
| 3.2 脉冲序列编码 | 第30-32页 |
| 3.3 实验结果与分析 | 第32-39页 |
| 3.3.1 仿真环境 | 第32页 |
| 3.3.2 实验数据集 | 第32-33页 |
| 3.3.3 仿真实验与分析 | 第33-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于精确突触调整的前馈多脉冲神经网络的研究 | 第40-55页 |
| 4.1 SNN基础 | 第40-44页 |
| 4.1.1 SNN基本调解机制 | 第40-41页 |
| 4.1.2 突触后电位 | 第41-42页 |
| 4.1.3 神经元模型 | 第42-44页 |
| 4.2 SNN监督学习算法模型 | 第44-48页 |
| 4.2.1 Tempotron学习规则 | 第44-45页 |
| 4.2.2 PSD学习规则 | 第45-47页 |
| 4.2.3 精确突触调整学习规则 | 第47-48页 |
| 4.3 误差函数 | 第48页 |
| 4.4 实验结果与分析 | 第48-54页 |
| 4.4.1 仿真环境与实验数据集 | 第48-49页 |
| 4.4.2 Tempotron仿真实验 | 第49-50页 |
| 4.4.3 PSD仿真实验 | 第50-52页 |
| 4.4.4 PSA仿真实验 | 第52-53页 |
| 4.4.5 三种SNN学习算法性能比较 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于生物视觉分层理论的SNN图像识别模型 | 第55-64页 |
| 5.1 DOG-SNN模型 | 第55-56页 |
| 5.1.1 模型结构 | 第55-56页 |
| 5.1.2 算法流程 | 第56页 |
| 5.2 HMAX-PSA模型 | 第56-59页 |
| 5.2.1 模型结构 | 第57-58页 |
| 5.2.2 算法流程 | 第58-59页 |
| 5.3 实验结果与分析 | 第59-63页 |
| 5.3.1 仿真环境与实验数据集 | 第59页 |
| 5.3.2 相关参数设定 | 第59-60页 |
| 5.3.3 性能比较 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71-72页 |
| 详细摘要 | 第72-74页 |