| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 核方法的相关理论 | 第12-15页 |
| 1.2.1 核方法概述 | 第12页 |
| 1.2.2 核函数的表示 | 第12-13页 |
| 1.2.3 核方法的应用 | 第13-15页 |
| 1.3 神经网络在线学习算法的研究进展 | 第15-19页 |
| 1.3.1 人工神经网络在线学习算法概述 | 第15-16页 |
| 1.3.2 脉冲神经网络在线学习算法分析 | 第16-19页 |
| 1.4 本文的研究工作 | 第19页 |
| 1.5 论文的组织结构 | 第19-21页 |
| 2 基于线性脉冲序列核的脉冲神经元在线学习算法 | 第21-36页 |
| 2.1 脉冲神经元模型概述 | 第21-25页 |
| 2.1.1 脉冲神经元的建模方法 | 第21-22页 |
| 2.1.2 脉冲神经元的模型分类 | 第22-24页 |
| 2.1.3 脉冲响应神经元模型 | 第24-25页 |
| 2.2 脉冲序列及其核的表示 | 第25-27页 |
| 2.2.1 神经元的脉冲序列 | 第25-26页 |
| 2.2.2 脉冲序列的核函数 | 第26-27页 |
| 2.3 基于线性脉冲序列核的在线学习算法 | 第27-29页 |
| 2.3.1 脉冲神经元的突触学习规则 | 第27-28页 |
| 2.3.2 脉冲序列的相似性度量 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-35页 |
| 2.4.1 实验参数设置 | 第29-30页 |
| 2.4.2 不同核函数的比较与分析 | 第30-31页 |
| 2.4.3 脉冲序列的学习过程分析 | 第31页 |
| 2.4.4 参数变化时的学习性能分析 | 第31-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 基于非线性脉冲序列核的脉冲神经元在线学习算法 | 第36-46页 |
| 3.1 脉冲神经元的非线性突触模型 | 第36-38页 |
| 3.2 基于非线性脉冲序列核的在线学习算法 | 第38-39页 |
| 3.2.1 非线性脉冲序列核的表示 | 第38页 |
| 3.2.2 脉冲神经元的突触学习规则 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-45页 |
| 3.3.1 实验参数设置 | 第39-40页 |
| 3.3.2 不同核函数的非线性脉冲序列在线学习算法分析 | 第40-41页 |
| 3.3.3 脉冲序列的学习过程分析 | 第41页 |
| 3.3.4 参数变化时的学习性能分析 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于多脉冲序列核的脉冲神经元在线学习算法 | 第46-54页 |
| 4.1 多核学习算法的研究概述 | 第46-47页 |
| 4.2 脉冲序列核的合成方法 | 第47-49页 |
| 4.2.1 脉冲序列的合成核方法 | 第47-48页 |
| 4.2.2 构造脉冲序列多核学习机制 | 第48-49页 |
| 4.3 基于多核的脉冲序列在线学习规则 | 第49-50页 |
| 4.4 模拟实验 | 第50-53页 |
| 4.4.1 实验参数设置 | 第50页 |
| 4.4.2 参数变化时的学习性能分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 文章总结 | 第54页 |
| 5.2 研究展望 | 第54-56页 |
| 6 参考文献 | 第56-61页 |
| 7 攻读硕士学位期间的学术成果 | 第61-62页 |
| 致谢 | 第62页 |