课程文献中心 更多>>

关键词： 脉冲神经网络   路由机制   脉冲数据包   路径规划   并行加速  

摘要： 受脑科学、神经计算科学研究的启发,脉冲神经网络作为模仿生物大脑机理的计算模型,在仿生视觉、嗅觉、记忆等应用场景中暂露头角,并逐渐成为脑模型研究的主流。脑科学研究表明,生物大脑的神经元突触个数比其神经元数量大3-4个数量级,生物大脑每周期的生物实时处理时间大概为1-10 ms,大脑工作过程伴随着大量脉冲信号的传递。因此,脑模型的生物实时仿真可抽象为超大规模的图计算和海量微小脉冲包的通信问题,给传统冯·诺依曼计算机体系结构带来了巨大挑战。其中,在现有计算机体系结构下如何解决海量微小脉冲包的高扇入扇出问题是脉冲神经网络模拟仿真平台的关键问题。为此,本文围绕CPU集群环境三维闭环网络拓扑结构下的大规模脉冲神经网络高效路由机制设计与实现这一科学问题,从脉冲传输协议优化角度提出一套基于集群环境下大规模脉冲神经网络的高效路由机制。通过节点负载仿真和猕猴脑模型模拟对比实验,本文方法的大规模脉冲传输速度相比于传统方法提升约10%,猕猴脑模型模拟的速度提升约一个量级。论文的主要工作如下:(1)结合脉冲神经网络特点,对比分析现有的计算机网路拓扑,选取圆环体作为集群基础拓扑。分析节点的度与网络拓扑半径、路由表表长、链路成本的关系,综合选取六度圆环体作为计算节点的拓扑模型,实现低通信代价传输。并基于此模型设计一套针对微小数据包的组播传输协议,减少脉冲查表次数及脉冲包个数。根据集群中脉冲神经网络的映射结构,设计层次化路由表以及脉冲多级路由查表机制。(2)利用图论理论建立脉冲神经网络工程的神经元、集群节点的数学模型,研究神经元间突触与节点链路的关系,优化计算脉冲传输在各节点对间的最短路径算法。并分析局部路径的选择与全局负载平衡的关系,提出一种顾及节点间负载平衡的路径规划算法,使集群中各节点所支持的路径数量大致相等,避免节点负载失衡的情况。(3)结合本文提出的神经元集群层次化映射逻辑、脉冲组播传输协议、脉冲路由路径计算及规划、三级路由表的结构,提出结合节点硬件资源的路由表生成算法,将脉冲路由机制和突触权重信息分布式保存到各节点上。

关键词： 卷积神经网络   脉冲神经网络   睡眠纺锤波   单通道脑电  

摘要： 睡眠纺锤波（Sleep Spindle）反映了11Hz–16Hz频率范围内脑部在睡眠期间的瞬态爆发行为,在脑电图（Electro Encephalogram,EEG）上表现为纺锤状波形,主要通过丘脑皮层网络和丘脑网状核的相互作用产生。通过对睡眠纺锤波的特征分析,可以对个体的认知、记忆及相关脑部疾病进行等健康状况进行研究与判别。在睡眠纺锤波的检测过程中,目前临床上广泛使用的人工检测方法仍被认为是最准确的金标准,但对医师的专业要求较高,且不同医师间的检测结果存在较大差异,因此会占用较多的临床资源,并且现有自动化检测方法性能表现一般。为解决睡眠纺锤波的自动识别问题,本论文进行了以下研究:1)对传统的信号处理方法的验证。采用首都医科大学宣武医院的25例临床睡眠脑电数据,对sigma（11–16Hz）频段信号相对于宽带信号的功率、相关性以及均方根进行阈值判别。通过此类睡眠纺锤波检测算法验证了传统检测方法的性能,发现这一类方法对特定波形敏感程度较高,但由于严格按照阈值检测,有较大的局限性,不能满足多样的临床需求。2)提出两种基于单通道数据的卷积神经网络睡眠纺锤波检测方法。以原始波形检测和结合时频特征的检测方法,分别构建了1D-CNN与2D-CNN两种卷积神经网络结构。针对睡眠纺锤波特有的时频特性,本文以单通道脑电为基础,通过小波变换获得脑电的时频域分布作为卷积神经网络的输入。通过输入数据由通道-时间域到频率-时间域的改变,确保了少通道数据满足检测需求的同时,进一步提高了网络对睡眠纺锤波检测问题的针对性。在训练速度及性能评分中,本论文提出的1D-CNN与2D-CNN均优于现有的检测算法。3)提出基于脉冲神经网络的睡眠纺锤波检测方法。以CNN-SNN的方法对卷积神经网络进行转换,避免了对脉冲神经网络的直接训练较为困难的问题;在1D-CNN与2D-CNN的基础上得到1D-SNN与2D-SNN两种针对睡眠纺锤波检测问题,结构较为完善的脉冲神经网络,使脉冲神经网络得以在睡眠纺锤波检测问题上得以实用,并取得了良好的分类检测性能,有利于构建低功耗的睡眠监测设备。

关键词： 道岔转辙机   故障诊断   声音信号   特征提取   脉冲神经网络   神经元凋亡  

摘要： 随着科学技术和工业自动化水平的不断发展,列车运行速度也得到了一定的提升。道岔转辙机作为控制列车运行方向的核心设备,对其故障的精确和快速诊断是保障列车运行安全的重要基础。目前,铁路运维主要利用微机监测系统对道岔设备进行故障监测,系统报警往往对应了多种不同的故障模型,实际的排查仍是通过现场工人的天窗检测。为了保证设备的安全性,现场无法在转辙机内部安装传感器设备,这需要电务、工务工人不断进行信息交流,当需要检测的设备增多时,其带来的时间损耗也会增加。除此之外,转辙机运行过程在时间上具有连续性,而其不同故障的发生时的时间特性往往也不同。声音信号的采集具有无接触式测量的特点,可为现场设备的检测提供非常便利的条件。本文以ZDJ9转辙机为研究对象,利用其运行过程中的声音信息进行故障的检测。使用一种混合式方法对声音进行特征提取,并结合类脑智能的思想,建立能够体现时间特征的脉冲神经网络模型作为故障分类器。主要的研究工作如下:(1)针对声音的特征提取,提出一种将经验模态分解和小波包分解相结合,并加入能量熵的特征提取方法,该方法可以很好解决传统时频分解方法中存在的问题,在支持向量机下可达到91%的平均故障诊断准确度。(2)针对现有脉冲编码方式的不足,提出了一种基于时延频率的编码方式,将基于时间的时延编码与基于频率的泊松编码相结合,将声音信息的时间特性蕴含在脉冲序列中,并有效解决了时延编码随机噪声的影响,保证了脉冲对神经元的持续刺激。(3)建立能够体现道岔故障时间特性的脉冲神经网络模型,并加入竞争规则和动态点火机制,增加神经元间的竞争关系并保证其不会一直处于主导地位。通过局部无监督学习规则,来使网络进行自主学习,并与传统神经网络进行对比,在相同的网络层数下,所建立的脉冲神经网络模型的故障诊断效果优于传统神经网络,其平均故障诊断准确率分别为79%与64.3%。(4)针对所建立的模型的权值联结问题,提出一种基于脉冲刺激的细胞凋亡机制。其通过统计脉冲序列的数目计算神经元重要程度,判断其是否符合故障的显著性特征,降低权值联结的影响,最终故障诊断的平均准确度提升到87.6%。图42幅,表14个,参考文献81篇。

关键词： 奖励调节STDP学习算法   必需基因预测   脉冲神经网络   混沌游戏表示   细菌   不平衡分类  

摘要： 必需基因在生命活动中扮演着至关重要的角色,必需基因的缺失会导致生物体的不育或死亡。准确预测必需基因对于寻找潜在的药物靶点和有效的药物设计等医学实际应用以及理解生命的生存机制具有重要意义。深度学习网络已被证明在特征提取和图像识别方面具有突出的性能,但需要大量训练数据来优化参数,而每个细菌物种的必需基因和非必需基因数据规模较小,奖励调节STDP学习算法可以帮助卷积脉冲神经网络检测出罕见但具有诊断性的特征,在训练期间需要较少的数据,因此本文使用基于奖励调节STDP算法的卷积脉冲神经网络来进行必需基因预测。本文使用基于奖励调节STDP算法的卷积脉冲神经网络学习DEG数据库中32种细菌必需基因和非必需基因的FCGR图像,并进行生物体内和跨物种必需基因预测。对于生物体内预测,最高准确率ACC得分为0.90,平均ACC为0.78,对于跨物种预测,最高ACC为0.79,平均ACC为0.68。进一步针对数据集的样本不平衡问题,本文采用基于不平衡奖励调节STDP学习算法的卷积脉冲神经网络来完成32种细菌的生物体内和跨物种必需基因预测。相比于奖励调节STDP学习算法,不平衡奖励调节STDP学习算法对32种细菌物种进行生物体内必需基因预测的平均敏感度得分从0.78提高到0.83,平均F1-score从0.73提高到0.75,G-mean平均分从0.70提高到0.73。最后分析并验证了细菌物种基因信息中可能影响必需基因分类性能的因素。与采用传统的机器学习分类器进行训练的预测结果相比,本文所用方法的生物体内预测结果对32种细菌中大多数细菌都有很好的预测效果,表明脉冲神经网络可以通过直接从必需基因和非必需基因的FCGR图像中提取基因特征来进行更好的必需基因预测。相比于使用基因序列特征和拓扑特征进行必需基因预测的方法,本文的跨物种必需基因预测结果可以达到接近甚至优于这些方法的性能,同时需要更少的输入特征。相比于使用基于平衡数据的奖励调节STDP学习算法,不平衡奖励调节STDP学习算法可以充分利用必需基因和非必需基因数据,避免了数据不平衡所带来少数类分类困难的问题,可以有效的识别基因数据中的少数类即必需基因数据。本文提出的针对细菌的必需基因识别方法能够有效地预测细菌的必需基因,有助于研发能够便捷准确预测必需基因的工具。

关键词： 类脑计算   脉冲神经网络   图像识别   小样本学习  

摘要： 自从机器学习提出以来,计算机的应用范围越来越大,人工神经网络也引领着人工智能领域的研究,近几年,类脑计算的方法发展越来越迅速,特别是自从脉冲神经网络(Spiking Neural Networks,SNNs)的提出,类脑计算的发展到达了高潮。本文利用类脑计算的方式进行了关于图像识别的研究,具体内容如下:首先,介绍了类脑计算的研究背景和意义,综述国内外类脑计算的研究现状,阐述了本文的研究内容和技术路线。其次,针对脉冲神经网络,介绍了相关神经动力学基本原理以及SNNs与人脑神经元的联系,并总结了 SNNs与传统人工神经网络在网络模型和训练方法上的优劣势。第三,针对SNNs的脉冲时间依赖的突触可塑性(Spike Timing Dependent Plasticity,STDP)学习方法,介绍突触可塑性的17种子规则,并做了仿真实验验证子规则之间的搭配方式。第四,鉴于图像分类算法中对未曾训练过的样本的不兼容性,本文研究了一种基于深度学习的可扩展图像分类算法,可以对未曾训练过的样本进行识别并加以分类。通过实验结果证明,测试中添加新的未曾训练过的图像数据,在本研究神经网络中也可以识别出来并得到相对很好的实验结果。第五,针对小样本学习(Few-shot Learning,FSL),进行了视频的分类任务,将视频分解成图像,利用小样本学习的学习方法,搭建网络结构并训练,完成了每种样本只有一个视频时的视频分类任务,并根据结果设计了后续实验并分析可以改进的地方。最后,对论文所做的工作进行了总结,并展望下一步工作。

关键词： 脑机接口   脉冲神经网络   运动想象   SW-NeuCube   Space-STDP   Weight-deSNN  

摘要： 脑机接口(Brain-Computer Interface,BCI)技术可以帮助人们通过脑电信号来控制机器,从事各种工作,具有广阔的应用前景和巨大的市场潜力。近年来,随着计算机软硬件的快速提升,脑机接口技术发展也变得迅速。但是,脑机接口技术仍处在发展阶段,存在数据的信噪比低和被试间差异等问题,导致分类的准确度较低。基于此问题,本文的主要内容如下:(1)由于不同被试间的脑力负荷程度不同,会影响脑电数据的质量。因此,本文对被试者进行脑电负荷评价分析,进而筛选出脑电负荷较低的脑电数据。为了诱发出被试者的高脑力负荷状态,设计了无人机的范式任务。通过反应时任务,对被试者脑力负荷状态的行为学和事件相关电位进行分析。通过对被试者的脑电微状态进行定量分析,能够有效的评价被试者的脑力负荷程度。(2)由于原始数据中包含了大量的伪迹噪声,本文设计一系列的噪声去除方法进行伪迹处理。首先通过巴特沃斯带通滤波器提取有效频段数据,再经过小波变换平滑数据去除部分噪声。然后,再针对难以处理的眼电伪迹,提出了基于QT(Quality Threshold)聚类自适应的独立成分分析(Independent Component Analysis,ICA)眼电伪迹去除算法。该算法首先通过ICA对数据进行盲源分离,再利用极值差值确定眼电源,最后通过QT自适应的方法剔除眼电伪迹。(3)本文提出了SW-Neu Cube脉冲神经网络模型。在编码模型选择方面,利用常用的时序脉冲编码模型对运动想象脑电数据进行编码和解码。通过评价参数对编码模型进行定量的计算误差,选择出最合适的编码模型。在权值更新方面,考虑了神经元的空间距离,提出了Space-STDP时间权重更新模型;其次,考虑了SF编码模型特性,提出的Weight-de SNN频次权重更新模型。利用开放的运动想象数据集,对SW-Neu Cube模型进行仿真验证,通过对分离度和准确度结果比较分析,发现SW-Neu Cube模型相对于Neu Cube能够提升一定的分类准确性。除此之外,通过传统的神经网络模型进行准确度的分析对比,发现SW-Neu Cube模型仍存在一定的优势。总之,本文通过脑电微状态脑力负荷评价,在一定程度上解决了被试间脑力负荷程度不同导致的被试间数据差异问题。利用伪迹去除,在一定程度上提高了脑电数据的信噪比。通过SW-Neu Cube脉冲神经网络模型,一定程度上提高了神经网络对脑电数据分类的准确度。

关键词： 神经网络   饱和脉冲   饱和非线性   局部指数稳定性   吸引域   同步  

摘要： 近年来,脉冲神经网络的稳定性、周期解、分岔和混沌吸引子等诸多有趣的动力学行为已得到了广泛的研究。但是,目前关于脉冲神经网络的动力学的研究成果中通常没有考虑执行器饱和的现实因素。执行器饱和作为最常见的饱和现象之一,已引起了人们的广泛关注,这是由于实际执行器的固有的物理限制,使得在几乎所有的控制系统实现中都会遇到执行器饱和的问题。如果忽略执行器饱和的限制或约束将可能导致系统的性能下降,甚至失去稳定性,以至于很难达到期望的目标。为了避免这些问题,在脉冲神经网络模型中考虑执行器饱和的问题就显得格外的重要。然而,由于脉冲作用导致的不连续性和饱和非线性问题,为这类问题的研究工作带来诸多的困难和挑战。目前,饱和脉冲作用的非线性系统的理论和应用方面的研究才刚刚起步。为此,本学位论文结合饱和非线性理论、脉冲微分系统理论以及Lyapunov稳定性理论,研究了几类饱和脉冲神经网络模型的稳定性和同步问题。具体研究成果如下:1.研究了饱和脉冲作用下的连续型及其离散类Hopfield神经网络的稳定性问题。首先分别利用扇区非线性模型法和多面体表示法处理了脉冲时刻的饱和非线性。其次,通过选取适当的二次Lyapunov函数,结合数学归纳法获得了LMIs相关的局部指数稳定性准则。最后,通过一个数值例子验证了结论的正确性,并通过吸引域的估计比较了不同饱和非线性处理方法下条件的保守性。接着,利用上述同样的方法,研究了饱和脉冲控制下一类混沌神经网络的局部指数同步。最后,通过数值例子验证了结论的有效性和可行性。2.研究了基于饱和脉冲采样控制的混沌神经网络的同步问题。首先,基于脉冲控制和采样数据控制策略各自的优势,提出了一个新的饱和脉冲混杂控制器。其次,利用扇区非线性模型方法处理了脉冲时刻的饱和非线性,通过构建合适的时间相关的Lyapunov-Krasovskii泛函,结合Jensen’s不等式、Wirtinger相关不等式、Schur补引理以及比较原理,获得了驱动响应误差系统的局部指数稳定性条件、控制器的镇定设计及其吸引域的估计。此外,利用多面体表示法处理了饱和非线性,同样得到了系统的同步准则、控制器的镇定设计及其吸引域的估计。再次,我们还给出了在不考虑执行器饱和的情况下,脉冲采样控制的混沌神经网络的同步准则及其控制器的设计。最后,通过数值例子验证了结论的有效性,并讨论了执行器饱和参数对系统的同步和吸引域估计的影响。3.研究了具有饱和脉冲控制的离散时间时滞神经网络的稳定性。为了充分考虑系统的时滞信息,我们基于多面体表示方法把脉冲时刻的饱和非线性表示为时滞相关的凸组合。针对时变时滞和常数时滞两种情形,通过构造含有多项求和的Lyapunov-Krasovskii泛函,运用一些矩阵不等式技术,得到了饱和脉冲控制的离散时间时滞神经网络的稳定性条件。在这基础上,通过引入新的矩阵变量和矩阵变换给出了饱和脉冲控制器的设计和吸引域的估计。最后,通过两个数值例子验证了结论的可行性和有效性。4.研究了在事件触发饱和脉冲控制下一类忆阻时滞神经网络的同步问题。首先提出了一个新的饱和脉冲混杂控制器,这个控制器结合了一个含有指数衰减项的采样数据控制和饱和脉冲控制,其中脉冲时刻是由给定的事件触发机制确定的。其次,通过运用时滞相关的多面体表示方法处理了脉冲时刻的饱和非线性。此外,分别在静态事件触发机制和动态事件触发机制这两种不同触发机制下,通过构建合适的Lyapunov-Krasovskii泛函,讨论了驱动响应误差系统在1-范数意义下的指数稳定性和Zeno现象。最后,通过数值例子验证了结论的有效性,并讨论了在相同参数下不同触发机制对控制器性能的影响。

关键词： 脉冲神经网络   隐马尔可夫模型   双眼视觉   多样性   深度感知   环境调节   亮度感知  

摘要： 对刺激产生视觉感知是视觉神经系统的基本功能。大脑皮层中,初级视觉皮层的神经元活动在视觉感知中具有重要作用。神经元之间通过突触相互连接,形成网络结构,并通过产生脉冲的方式相互传递信号,共同形成对视觉刺激的感知。脉冲神经网络模型考虑了神经元之间的信号传递和突触可塑性,为模拟初级视觉皮层的神经元活动、探究视觉感知的原理提供了有效的方法。在探究神经元对刺激进行编码与解码的原理时,隐马尔可夫模型是一个重要的理论工具,已经被成功地运用于阐述稀疏编码、模式识别等视觉现象。因此,本论文构建脉冲神经网络,运用隐马尔可夫模型模拟脉冲神经网络活动,进一步探究初级视觉皮层产生视觉感知的机理,是一个有意义、有挑战的研究课题,可以为图像识别、人工智能等技术提供重要的理论支持。本文主要研究内容及贡献如下: 第一章介绍关于初级视觉皮层产生视觉感知的研究现状和研究意义,介绍用脉冲神经网络和隐马尔可夫模型探究视觉皮层工作原理的基本方法,并陈述本论文的基本结构和研究内容。 第二章研究眼球运动如何影响视觉皮层神经元活动的多样性。本章使用灰度图像作为脉冲神经网络的视觉刺激,设计不同的眼球运动轨迹。网络沿着不同的轨迹接受相同的图像。度量运动轨迹引发的神经元活动多样性,比较网络在不同运动轨迹中对相同图像产生的活动和重构结果,体现眼球运动对神经元活动的影响,并为眼球运动影响初级视觉皮质神经元活动多样性提出了一个可能的解释。 第三章研究双眼模糊差异如何影响对运动视觉刺激轨迹深度的感知。本章设计具有模糊程度差异的左眼和右眼运动刺激。构造含有左右平行视觉通道的脉冲网络,利用网络活动模拟对轨迹的深度感知。通过调节模糊差异程度、移动方向和移动速度等影响因素,比较不同情况下双目竞争现象和轨迹深度感知结果,从而探究双眼模糊差异如何影响运动轨迹深度感知。 第四章研究周围环境对刺激的亮度感知的调节。本章用相同的目标刺激和不同的环境组成视觉图像,并对同一刺激的亮度感知进行模拟。度量不同的环境亮度、环境结构、轮廓模糊程度和干扰项对网络中神经元活动的调节作用,并比较网络在不同情况下对于目标刺激的亮度感知结果,从而解释了周围环境如何影响对同一个目标刺激的亮度感知。 第五章研究抑制性神经元活动对神经元活动多样性减弱现象的影响。本章设计了噪声刺激和视觉图像刺激,比较兴奋性神经元群体在两种刺激下的活动,说明网络可以模拟多样性减弱现象。度量多种条件下抑制性神经元活动对兴奋性神经元活动的影响,并比较有无抑制性神经元活动时的兴奋性神经元活动多样性,探究和体现了抑制性神经元活动在神经元活动多样性减弱现象中的作用。 第六章是本文的总结与展望。

关键词： 核爆电磁脉冲   闪电电磁脉冲   时域特征参数   全波形识别   神经网络  

摘要： 闪电电磁脉冲信号作为自然界中核爆信号的主要干扰源，由于波形、带宽与核爆类似，长期以来一直是核爆信号识别、提取领域的关键影响因素。国内外在开展闪电与核爆电磁脉冲分类研究时，受各种因素的限制，往往仅利用几条或十几条实测核爆电磁脉冲信号进行研究，其识别效果的适应性与扩展性有限。同时，闪电电磁脉冲本身也具有极大的研究价值，其海量的数据样本及其信号的复杂性与多样性，往往也是进行闪电信号分类的难点之一。本文通过建立核爆源仿真模型，并使用电磁脉冲在“地-电离层”波导中传播的距离模型，生成了11505条中远区仿真核爆信号，建立了较为完善的仿真核爆信号信号样本集。在此基础上，分别使用多层感知机、径向基函数神经网络与广义回归神经网络等，从时域特征参数、时域全波形、频域各频率分量等方面，对闪电信号与仿真核爆信号进行了识别，并对闪电信号进行了分类，最后通过多元函数最小二乘法，将时、频分类结果进行拟合，进一步提升了识别效果。　　本文的主要结论如下:　　1、通过对闪电、核爆电磁脉冲信号时域波形的研究，定义并提取9个时域波形特征参数，在此基础上分别使用多层感知机、径向基函数神经网络与广义回归神经网络进行识别。其中，广义回归神经网络对负地闪、正地闪、云闪的识别准确率分别为96.46％、97.20％与96.08％，其仿真核爆误报率分别为0.56％、0.04％与0，其对仿真核爆信号的识别准确率为98.90％。　　2、在对时域特征参数进行识别的基础上，使用性能最佳的广义回归神经网络，对电磁脉冲信号分别进行了时域全波形识别与频域中频率成分占比的训练识别。当广义回归神经网络扩散因子取值为0.01时，其对负地闪、正地闪、云闪的全波形识别准确率分别为95.62％、98.34％与96.77％，仿真核爆误报率除负地闪为0.06％外，正地闪与云闪全部为0，对仿真核爆信号的识别准确率达到100％。当进行频率成分占比识别时，扩散因子的最佳取值为0.5及以下，在此范围内的负地闪、正地闪、云闪的识别准确率分别为92.57％、97.83％与96.34％，仿真核爆误报率分别为0.07％、0.02％与0.05％，且可对仿真核爆信号进行100％识别。　　3、通过多元函数最小二乘法，将广义回归神经网络对电磁脉冲的时域全波形识别结果与频域识别结果统一起来，形成了一时频联合算法。对现有数据集，该算法将各电磁脉冲的识别准确率分别提升为，负地闪:97.025％、正地闪:98.450％、云闪:97.850％、仿真核爆:100％，且三类闪电电磁脉冲的仿真核爆误报率全部优于万分之一。

关键词： 图像识别   脉冲神经网络   脉冲编码   注意力机制   奖惩机制  

摘要： 近年来,随着大数据技术和并行计算技术的迅速发展,深层网络在图像任务上的尝试表现优秀。然而,这种深度网络的神经元是基于实值计算的,将反向传播用于网络学习,且随着网络的深度日益增加,需要额外的计算成本和存储资源,这限制了深层网络在现实应用上的发展。作为一种新的现代人工神经网络的脉冲神经网络源于脑科学的启发,它深度模拟生物神经元的动态特性,是目前生物学上最可信的神经网络。事件驱动的脉冲神经网络具备稀疏而强大的计算能力,有望解决深度网络在实际应用上的限制。因此,如何融合脉冲神经网络和卷积神经网络的优势,设计一种高计算效率和高准确率的网络模型具有重要的现实意义。本文受生物视觉机制启发对视觉信息脉冲编码和卷积脉冲神经网络图像识别问题进行了深入研究,具体研究内容如下:(1)基于时序的视觉特征编码。依据生物视觉通路中视网膜神经节细胞感受野的特点,采用高斯差分滤波器模拟感受野特性来对输入信息进行图像边缘特征的提取。并针对单尺度高斯差分滤波器提取信息固定,设计了多尺度高斯差分滤波器来模拟不同窗口大小的多尺度感受野的特性。结合脉冲时序编码理论,提出了基于时序的强度顺序编码方案,将提取的图像边缘特征编码为脉冲时间序列。高斯差分滤波器的应用提取了丰富的图像边缘特征,保存了重要的图像信息。(2)基于注意力机制的卷积脉冲神经网络图像识别。受视觉系统的分级信息处理机制与视觉系统的脉冲信息表示和传递机制的启发,结合(1)中基于时序的单尺度感受野视觉神经信息编码方法,融合脉冲网络和卷积网络的优点,提出了基于注意力机制的卷积脉冲神经网络图像识别模型,简称为AMCSNN。该模型基于突触可塑性的无监督的脉冲时序相关可塑性学习规则来进行网络权重的学习更新,结合轻量级的通道空间注意力机制来聚焦图像的重要信息特征,采用额外的监督模块支持向量机来完成图像识别任务。在多个图像识别基准数据集上对所设计的网络模型进行实验分析,结果表明该网络模型在实现了优秀的识别准确率的同时也达到了更快的网络计算效率,验证了所提脉冲神经网络模型的有效性。(3)基于奖惩机制的卷积脉冲神经网络图像识别。针对(2)中模型采用的分类器并无合理的生物现实意义,仿生性比较差这一问题,受大脑奖惩机制的启发并结合(1)中提出的基于时序的多尺度感受野视觉神经信息编码方法,提出了基于奖惩机制的卷积脉冲神经网络图像识别模型,简称为RPCSNN。该模型基于奖惩机制模拟了大脑的决策行为,具有更强的生物真实性。在多个图像识别基准数据集上对所设计的网络模型进行实验分析,结果表明该网络模型识别准确率高、网络计算能力强且仿生性更好,对大脑信息的表示和生物机制的模拟具有一定的参考意义。