●前言
第1章 脈衝神經網絡概述 1
1.1 引言 1
1.2 人工神經網絡及其發展 2
1.2.1 生物神經繫統及構成 2
1.2.2 人工神經網絡的定義 4
1.2.3 人工神經網絡的發展 5
1.3 脈衝神經網絡的研究現狀 10
1.3.1 脈衝神經網絡的拓撲結構 10
1.3.2 信息的脈衝序列編碼方法 14
1.3.3 脈衝神經網絡的學習算法 15
1.3.4 脈衝神經網絡的進化方法 18
1.4 脈衝神經網絡的應用領域 18
1.4.1 信息領域中的應用 19
1.4.2 生物醫學領域中的應用 19
1.4.3 社會經濟領域中的應用 20
1.4.4 其他領域中的應用 20
參考文獻 21
第2章 脈的建模與分析 27
2.1 引言 27
2.2 生結構及脈衝發放 27
2.2.1 生的基本結構 28
2.2.2脈衝的發放過程 29
2.3 脈的建模方法 32
2.3.1的房室建模方法 32
2.3.2 脈的建模層次 34
2.4 單房室脈模型 36
2.4.1 生物可解釋性的生理模型 36
2.4.2 脈衝生成機制的非線性模型 39
2.4.3 固定閾值的脈衝發放模型 41
2.4.4 分段線性化的解析模型 45
2.5的神經計算特性 50
2.5.1 生的神經計算特性 50
2.5.2 脈模型的分析比較 52
2.6 生物皮的模擬 54
2.6.1 生物皮 54
2.6.2 模擬結果與比較 57
2.7 本章小結 58
參考文獻 59
第3章 脈衝神經網絡的模擬策略 64
3.1 引言 64
3.2 脈衝神經網絡模擬及分類 65
3.2.1 脈的混合繫統表示 65
3.2.2 脈衝神經網絡模擬策略分類 65
3.3 時鐘驅動模擬策略及分析 66
3.3.1模型的數值計算方法 66
3.3.2 時鐘驅動模擬的算法描述 67
3.3.3 時鐘驅動算法的時間復雜度 68
3.4 事件驅動模擬策略及分析 70
3.4.1 事件驅動模擬的算法描述 70
3.4.2 事件驅動算法的時間復雜度 73
3.4.3 事件驅動模擬策略的發展 73
3.5 電壓驅動模擬策略及分析 74
3.5.1 電壓驅動模擬的算法描述 75
3.5.2 電壓驅動算法的時間復雜度 76
3.6 脈衝頻率自適應模型的模擬 77
3.6.1 脈衝頻率自適模型 77
3.6.2的事件驅動模擬策略 80
3.6.3 脈衝神經網絡模擬實驗結果 80
3.7 本章小結 84
參考文獻 85
第4章 神經信息的脈衝序列編碼方法 91
4.1 引言 91
4.2 神經信息的編碼問題 92
4.2.1 神經信息編碼的定義 92
4.2.2 編碼與解碼的計算過程 94
4.3 神經信息的編碼時間窗口 95
4.3.1 編碼過程的時間尺度特性 95
4.3.2 編碼與整合時間窗口的關繫 96
4.4 基於脈衝頻率的編碼方法 97
4.4.1 基於脈衝計數的頻率編碼 97
4.4.2 基於脈衝密度的頻率編碼 99
4.4.3 基於群體活動的頻率編碼 100
4.5 脈衝準確定時的編碼方法 101
4.5.1 首脈衝觸發時間編碼 102
4.5.2 延遲相位編碼 103
4.5.3 脈衝序列編碼 105
4.6群體的編碼方法 107
4.7 本章小結 109
參考文獻 110
第5章 脈衝序列的相似性度量方法 116
5.1 引言 116
5.2 脈衝序列的表示與內積定義 117
5.2.1 脈衝序列的函數化表示 117
5.2.2 脈衝序列的內積定義 118
5.2.3 脈衝序列內積的性質 119
5.3 基於區間脈衝計數的相似性度量方法 121
5.4 基於脈衝時間匹配的相似性度量方法 122
5.4.1 非置換同時繫數相似性度量 122
5.4.2 Victor-Purpura 相似性度量 123
5.4.3 Hunter-Milton 相似性度量 125
5.5 基於脈衝序列內積的相似性度量方法 125
5.5.1 van Rossum 相似性度量 125
5.5.2 基於線性核的相似性度量 126
5.5.3 基於非線性核的相似性度量 128
5.5.4 基於組合核的相似性度量 128
5.6 脈衝序列群體的相似性度量方法 129
5.6.1 基於角間距的相似性度量 130
5.6.2 基於距離的相似性度量 130
5.7 本章小結 130
參考文獻 131
第6章 脈衝神經網絡的無監督學習規則 135
6.1 引言 135
6.2 突觸可塑性機制 136
6.2.1 突觸長時程增強 136
6.2.2 突觸長時程抑制 137
6.3 Hebb 學習規則 138
6.3.1 Hebb 學習規則的數學模型 139
6.3.2 Hebb 學習規則的相關性質 141
6.4 STDP 學習規則 142
6.4.1 STDP 學習規則的數學模型 143
6.4.2 基於局部變量的STDP 實現 146
6.4.3 不同突觸的STDP 學習機制 149
6.5 脈衝神經網絡無監督學習的應用 152
6.6 本章小結 153
參考文獻 154
第7章 脈衝神經網絡的監督學習算法 160
7.1 引言 160
7.2 脈衝神經網絡監督學習的基本理論 160
7.2.1 監督學習算法的基本框架 160
7.2.2 監督學習算法的性能評價 162
7.3 脈衝神經網絡監督學習算法分類 163
7.3.1 梯度下降的監督學習算法 163
7.3.2 突觸可塑性監督學習算法 166
7.3.3 脈衝序列卷積監督學習算法 170
7.4 基於STIP 的脈監督學習算法 172
7.4.1 脈的監督學習算法 173
7.4.2模型及學習參數設置 175
7.4.3 脈衝序列學習任務及結果 176
7.5 基於STIP 的多層神經網絡監督學習算法 184
7.5.1 多層前饋脈衝神經網絡結構 184
7.5.2 多層突觸權值的學習規則 185
7.5.3 參數設置及 lti-ReSuMe 算法 188
7.5.4 非線性模式分類問題實驗 189
7.6 本章小結 194
參考文獻 195
第8章 脈衝神經網絡的進化發育方法 201
8.1 引言 201
8.2 神經網絡的進化與發育方法 202
8.2.1 進化與發育的計算框架 202
8.2.2 神經網絡發育方法的分類 204
8.2.3 進化與發育過程的比較 207
8.2.4 神經網絡發育方法的應用 212
8.3 人工基因組編碼的基因調控網絡 214
8.3.1 人工基因組的表達及調控 214
8.3.2 控制發育的基因調控網絡 217
8.4 脈衝神經網絡的發育方法 218
8.4.1 細胞分裂樹的生成 218
8.4.2 脈的生成 220
8.4.3 神經連接的生成 220
8.4.4 突觸可塑性的生成 222
8.5 脈衝神經網絡的進化算法 223
8.5.1 基因片段復制與歧化模型 223
8.5.2 神經網絡的進化算法描述 224
8.6 自主智能體的食物采集實驗 225
8.6.1 食物采集實驗環境 226
8.6.2 進化與發育的參數設置 228
8.6.3 實驗結果分析與比較 229
8.7 本章小結 232
參考文獻 233
第9章 進化脈衝神經網絡的文化學習 239
9.1 引言 239
9.2 種群進化中的學習模型分類 240
9.2.1 群體學習 240
9.2.2 生命周期學習 241
9.2.3 文化學習 242
9.3 脈衝神經網絡的文化學習算法 243
9.3.1 脈衝神經網絡的文化學習結構 243
9.3.2 神經網絡進化與文化學習實現 244
9.4 文化學習中的信息傳遞方式 245
9.4.1 垂直層次的文化傳遞 246
9.4.2 水平層次的文化傳遞 246
9.5 本章小結 247
參考文獻 247
第10章 基於脈衝神經網絡的圖像處理 250
10.1 引言 250
10.2 脈衝神經網絡的圖像分割方法 251
10.2.1模型及像素編碼策略 252
10.2.2 圖像分割的神經網絡結構 253
10.2.3 圖像分割算法及評價準則 255
10.3 脈衝神經網絡的圖像分割實驗 256
10.3.1 參數變化對分割結果的影響 256
10.3.2 對復雜噪聲圖像的分割結果 260
10.4 圖像分割中的非線性編碼策略 262
10.4.1 像素值的非線性編碼策略 263
10.4.2 線性與非線性編碼的比較 264
10.5 脈衝神經網絡的圖像識別方法 268
10.5.1 遞歸脈衝神經網絡結構 269
10.5.2 圖像識別的監督學習算法 270
10.6 脈衝神經網絡的圖像識別實驗 271
10.6.1 圖像的延遲相位編碼 271
10.6.2 圖像識別的計算過程 273
10.6.3 LabelMe 圖像識別結果 274
10.7 本章小結 275
參考文獻 276

脈衝神經網絡應用準確定時的脈衝序列表示與處理信息，是新一代人工神經網絡計算模型。本書繫統論述了脈衝神經網絡的基本理論、算法及應用。首先介紹了脈衝神經網絡的基礎知識，包括脈的建模與分析、脈衝神經網絡的模擬策略、神經信息的編碼方法、脈衝序列的相似性度量方法等；其次討論了脈衝神經網絡的學習算法、進化發育方法以及文化學習等；最後以圖像分割和圖像識別為例，分析了脈衝神經網絡在圖像處理領域中的應用。