论文目录 | |
| 摘要 | 第1-6页 |
| abstract | 第6-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 Spiking神经网络简介 | 第15-32页 |
| 2.1 生物神经元及Spiking神经网络相关概念 | 第15-17页 |
| 2.2 Spiking神经元模型 | 第17-21页 |
| 2.2.1 Hodgkin–Huxley模型 | 第18-19页 |
| 2.2.2 累积放电模型 | 第19-20页 |
| 2.2.3 脉冲响应模型 | 第20-21页 |
| 2.3 Spiking神经网络学习算法 | 第21-27页 |
| 2.3.1 梯度下降学习算法 | 第21-25页 |
| 2.3.1.1 SpikeProp学习算法 | 第22-23页 |
| 2.3.1.2 Chronotron学习算法 | 第23-25页 |
| 2.3.2 突触可塑性学习算法 | 第25-27页 |
| 2.3.2.1 监督Hebbian学习算法 | 第25-26页 |
| 2.3.2.2 远程监督学习算法 | 第26-27页 |
| 2.3.2.3 其他STDP学习算法 | 第27页 |
| 2.4 神经元编码 | 第27-31页 |
| 2.4.1 频率编码 | 第28-29页 |
| 2.4.1.1 脉冲发放率 | 第28页 |
| 2.4.1.2 时间相关发放率 | 第28-29页 |
| 2.4.2 脉冲时间编码 | 第29-31页 |
| 2.4.2.1 脉冲顺序编码(Rank Order Coding) | 第29页 |
| 2.4.2.2 首脉冲时间编码(Time-to-first-spike Coding) | 第29-30页 |
| 2.4.2.3 相位编码(Phase Coding) | 第30页 |
| 2.4.2.4 延时编码(Latency Coding) | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于Spiking卷积的脉冲时间编码 | 第32-48页 |
| 3.1 Spiking卷积原理 | 第32-34页 |
| 3.1.1 卷积神经网络原理 | 第32-33页 |
| 3.1.2 Spiking卷积 | 第33-34页 |
| 3.2 Spiking卷积编码方案 | 第34-37页 |
| 3.3 基于Spiking卷积图像边缘特征编码 | 第37-47页 |
| 3.3.1 图像边缘提取基本原理 | 第38-41页 |
| 3.3.1.1 基于一阶导数的边缘检测算子 | 第38-40页 |
| 3.3.1.2 基于二阶导数的边缘检测算子 | 第40-41页 |
| 3.3.2 基于经典算子Spiking卷积的边缘特征编码 | 第41-44页 |
| 3.3.2.1 基于灰度图的Spiking卷积的边缘特征编码 | 第41-42页 |
| 3.3.2.2 基于RGB-Spiking卷积的边缘特征编码 | 第42-44页 |
| 3.3.3 基于延迟Spiking卷积的边缘特征编码 | 第44-47页 |
| 3.3.3.1 基于一致延迟的边缘特征编码 | 第44-46页 |
| 3.3.3.2 基于差异延迟的边缘特征编码 | 第46页 |
| 3.3.3.3 延迟Spiking卷积的边缘特征编码 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 Spiking监督学习算法R-Tempotron | 第48-59页 |
| 4.1 Tempotron学习算法 | 第48-51页 |
| 4.1.1 Tempotron学习算法原理 | 第48-50页 |
| 4.1.2 Tempotron算法流程 | 第50-51页 |
| 4.1.3 Tempotron算法的优缺点 | 第51页 |
| 4.2 R-Tempotron学习算法 | 第51-53页 |
| 4.2.1 R-Tempotron算法原理 | 第51-52页 |
| 4.2.2 R-Tempotron算法流程 | 第52-53页 |
| 4.3 随机样本测试 | 第53-58页 |
| 4.3.1 膜电压变化 | 第54-55页 |
| 4.3.2 权重变化 | 第55-56页 |
| 4.3.3 训练速度 | 第56-57页 |
| 4.3.4 承载因子 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于R-Tempotron的Spiking卷积模式识别模型 | 第59-77页 |
| 5.1 Spiking神经网络基本模型 | 第59-61页 |
| 5.2 基于R-Tempotron的Spiking卷积识别模型 | 第61-63页 |
| 5.3 Spiking卷积模式识别流程 | 第63页 |
| 5.4 Spiking卷积编码实验分析 | 第63-71页 |
| 5.4.1 基于经典算子Spiking卷积的边缘提取实验分析 | 第65-66页 |
| 5.4.1.1 基于灰度图的Spiking卷积的边缘提取实验分析 | 第65页 |
| 5.4.1.2 基于RGB-Spiking卷积的边缘提取实验分析 | 第65-66页 |
| 5.4.2 基于延迟Spiking卷积的边缘提取实验分析 | 第66-71页 |
| 5.4.2.1 基于一致延迟的边缘提取实验分析 | 第66-67页 |
| 5.4.2.2 基于差异延迟的边缘提取实验分析 | 第67-68页 |
| 5.4.2.3 基于延迟Spiking卷积的边缘提取实验分析 | 第68-71页 |
| 5.5 基于R-Tempotron的Spiking卷积识别模型实验 | 第71-76页 |
| 5.5.1 实验数据集 | 第71页 |
| 5.5.2 图像编码 | 第71-72页 |
| 5.5.3 实验参数设置 | 第72页 |
| 5.5.4 实验结果分析 | 第72-76页 |
| 5.5.4.1 无噪声环境识别测试 | 第72-74页 |
| 5.5.4.2 电压噪声环境下识别测试 | 第74-75页 |
| 5.5.4.3 抖动噪声环境下识别测试 | 第75-76页 |
| 5.6 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 硕士期间取得的成果 | 第84-85页 |
