1.问题描述：同传统的人工神经网络一样，脉冲神经网络同样分为三种拓扑结构。

脉冲神经网络的简介脉冲神经网络（SNN-SpikingNeuronNetworks)经常被誉为第三代人工神经网络。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。

文献：Brain-BasedDevicesBYJASONG.FLEISCHERANDGERALDM.EDELMAN当前对大脑各个部分功能的研究有很多，但是对大脑全局系统可以实现的功能（globalpicture）研究较少，例如学习和记忆功能一种理论上的方法：syntheticneuralmodeling.神经系统并非孤立地起作用。身体暴露在环境中，只有当神经系统与身体交互以及动物有行为动作时，神经

有哪些深度神经网络模型？目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。递归神经网络实际.上包含了两种神经网络。一种是循环神经网络(RecurrentNeuralNetwork);另一种是结构递归神经网络(RecursiveNeuralNetwork)，它使用相似的网络结构

脉冲神经网络的简介脉冲神经网络（SNN-SpikingNeuronNetworks)经常被誉为第三代人工神经网络。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。

文章目录概览CSN网络架构输入层中间层输出层CNAN架构星形胶质细胞架构分别训练信息编码探究把CNAN连到CSN，以及信息传递探究连接后的表现分析准确率输出层神经元响应最终结论全名：InformationTransmittedFromBioinspiredNeuron–AstrocyteNetworkImprovesCorticalSpikingNetwork’sPatternRecognitio

SNN硬件测试整体构架介绍SNN系统的自顶向下的设计构架如下：这个可以通过matlab的随机坐标产生得到上述两组分布数据。将这些数据通过vivado中的ROM进行数据存储。然后通过地址计数器进行数据的读取。将将这些数据输入上述的模型中进行识别，将识别结果通过LED进行显示，使用2个LED假设为A和B，如果A亮，B不亮，则表示识别为第一类数据。如果A不亮，B亮，则表示识别为第二类数据。外部信息编码单

题目影像组学在食管癌和头颈癌放射治疗中的应用研究面向医学图像的机器学习方法研究及在卵巢癌精准诊断中的应用人工智能引导的宫颈癌特殊染色图像分类算法研究医学交叉对比神经网络MCCNN在肝细胞癌和肝内胆管细胞癌中的研究与应用卷积神经网络及改进算法在卵巢癌图像中的应用研究基于ResNet的皮肤癌分类识别研究基于卷积神经网络的头颈癌生存率预测基于无监督学习卷积脉冲神经网络的皮肤癌图像分

1.脉冲神经网络的实现方法随着类脑技术(NeuromorphicTechnology)的火热，投入脉冲神经领域的工程师和学术届的科研人员越来越多，喜大普奔~~为了方便脉冲神经网络的研发和工程化，越来越多的优秀的脉冲神经网络的实现框架也逐渐被开发出来

等有什么新成果才写出来比较好；另外，我发现写软件需要的不仅仅是技术，更需要灵感，有灵感半小时就能搞定，没灵感一个星期都不行，还可能把代码弄得更糟糕1、网络类是可以不断加进去的，软件本身是一个映射出网络状态的东西，最近对脉冲神经网络比较感兴趣

其中无监督学习主要包括基于1.2节中Hebb与STDP两种突触可塑性规则的仿生学习算法，有监督学习则可以进一步划分为两个阶段：初期有监督学习算法与深度有监督学习算法。液体状态机和脉冲深度信念网络文献引用[125]TrainingdeepneuralnetworksforbinarycommunicationwiththeWhetstonemethod2019年Severa等人[125]提出了一种称

作者：初识CV地址：https://www.zhihu.com/people/AI_team-WSF本文大部分内容来自：脉冲神经网络的五脏六腑，做一下笔记

脉冲神经网络作为第三代神经网络在科研层面研究的较多，因为它最能贴近人脑的记忆和处理信息的能力。本人一直以来在研究脉冲神经网络中的神经元模型和STDP学习规则，做的工作是优化神经元模型和学习算法。

类脑运算–脉冲神经网络（SpikingNeuralNetwork）发展现状前一段时间忙于博士论文的攥写和答辩，抱歉拖更继上一章：类脑运算–脉冲神经网络（SpikingNeuralNetwork）叙述SNN

因此，本文从人脑出发，探索基于人脑神经元机制的类脑计算模型及其中具有代表性的工具----脉冲神经网络。关键词：人工智能；神经网络；脑神经科学；类脑智能；脉冲神经网络；神经元；1人工智能的研

BiologicallyPlausibleSpikingNeuralNetworks作者：AboozarTaherkhani,AmmarBelatreche,YuhuaLi,GeorginaCosma,LiamP.Maguire,T.M.McGinnity译者：TianlongLee时间：2020原文链接：Areviewoflearninginbiologicallyplausiblespikin

NEST平台是任意尺寸的脉冲神经网络的理想选择，例如:信息处理模型，例如在哺乳动物的视觉或听觉皮层，网络活动动力学模型，例如层状皮层网络或平衡随机网络，学习和可塑性的模型。

原文链接摘要方法一方法二实验原文链接https://arxiv.org/abs/1805.01352摘要本文提供一种有效的把ResNet转成脉冲神经网络(SNN)的方法。主要提出两个方法。

摘要：脉冲神经网络是什么？本位对脉冲神经网络做了简要叙述。每个对机器学习近期发展有所了解的人，都听过现在用于机器学习的第二代人工神经网络。这些神经网络通常完全连接，获取连续值，并输出连续值。

2019.12.29xilinxSDK交叉编译工具编译NEST运行在PYNQ板卡–如有错误之处，请不吝赐教！准备工作nest-simulation-2.16.0xilinxvivadoSDK2018.2（ubuntu环境）NESTCmake指定xilinxSDK中交叉编译器cmake-DCMAKE_INSTALL_PREFIX:PATH=/home/likang/nest-16.0./-DCMAK

uci-carl.github.io/CARLsim4/index.htmlCARLsim4代码：https://github.com/UCI-CARL/CARLsim4前言CARLsim4是一个高效、易用的、基于GPU加速的大规模脉冲神经网络仿真系统

（原文地址：维基百科）简单介绍：脉冲神经网络Spikingneuralnetworks(SNNs)是第三代神经网络模型，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑当中。

接下来一段时间开启脉冲神经网络模型的探索之旅。脉冲神经网络有更强的生物学基础，尽可能地模拟生物神经元之间的连接和通信方式。其潜在能力较强，值得踏进一步探索。

脉冲神经网络Precise-Spike-Driven(PSD)SynapticPlasticity学习笔记PSD算法设计的目的是为处理和记忆时空相关的输入。

脉冲神经网络之Tempotron代码示例上一篇从原理的角度大致介绍了脉冲神经网络的神经元模型以及Tempotron监督学习方法，这一章记录了Tempotron的代码实现。

神经网络经历漫长的发展，目前总共有三代，它们分别是：第一代神经网络：McCulloch–Pitt感知机，它执行阈值运算并输出数字（1，0）。第二代神经网络：基于sigmoid单元或修正线性单元（ReLU）增加了连续非线性，使其能够计算一组连续的输出值。第二代神经网络也是目前使用的最广泛的网络算法，例如VGG16，ResNet等等的DNN都是第二代网络。第三代神经网络：‘主要使用“整合放电”（int

原文链接：点击打开链接摘要：脉冲神经网络是什么？本位对脉冲神经网络做了简要叙述。每个对机器学习近期发展有所了解的人，都听过现在用于机器学习的第二代人工神经网络。

Spiking-YOLO:SpikingNeuralNetworkforEnergy-EfficientObjectDetection|AAAI2020Spiking-YOLO:脉冲神经网络高效的目标检测

[1]BRITS:BidirectionalRecurrentImputationforTimeSeriesWeiCao,DongWang,JianLi,HaoZhou,YitanLi,LeiLiTsinghuaUniversity,DukeUniversity,BytedanceAILabhttps://papers.nips.cc/paper/7911-brits-bidirectional-

Fast-Classifying,High-AccuracySpikingDeepNetworksThroughWeightandThresholdBalancing中文名：权重、阈值权衡实现快速分类且高精度的脉冲神经网络摘要例如

中国科学院自动化研究所类脑智能研究中心曾毅团队充分借鉴了人类大脑在音乐信息处理方面的神经机制，构建了一个多尺度的多脑区协同的脉冲神经网络SNN(SpikingNeuralNetwork)模型，用于音

脉冲神经网络学习算法-Tempotron一.Tempotron算法论文链接SNN系列｜学习算法篇(1)Tempotron原理推荐脉冲神经网络之Tempotron（二）代码推荐今天读了一下《Thetempotron

脉冲神经网络神经元模型-IF模型（2）一原理具有固定阈值的脉冲发放神经元模型具有更高抽象层次，这类模型依赖于所有突触前神经元输入脉冲的积累，当膜电位到达一个固定的阈值时，神经元发放脉冲。

脉冲神经网络神经元模型-Izhikevich模型一原理之前的两篇博客分别介绍了HH模型和IF模型，其中HH模型过于复杂，不适合大规模仿真；IF模型过于简答，脉冲发射模式过于单一。

脉冲神经网络神经元模型-HH模型HodgkinHuxley神经元模型及实现一原理1.电路图2.常微分方程二代码实现-python版本1.模拟离子通道2.模拟膜电位三代码实现-matlab版本四参考HodgkinHuxley

DeepLearninginSpikingNeuralNetworks作者：AmirhosseinTavanaei,MasoudGhodrati,SaeedRezaKheradpisheh,Timoth´eeMasquelierandAnthonyMaida译者：TianlongLee时间：2019原文链接：DeepLearninginSpikingNeuralNetworks尽管SNN的性能仍有

ConversionofContinuous-ValuedDeepNetworkstoEfficientEvent-DrivenNetworksforImageClassification中文名：将连续值深度网络转换为高效的事件驱动SNN做图像分类1.摘要脉冲神经网络

上一个博客说明了将原始图片转化感受野的图片这一节说明如何将图片对应的灰度值转化为脉冲序列importnumpyasnpfromnumpyimportinterpT=150#时钟周期为150，在150个cycle中产生脉冲#定义将图片像素值转化为脉冲的函数encodedefencode(pot):#假设所有的点对应的像素点对应一个二元数组traintrain=[]foriinrange(pot.sh

参考论文：Izhikevich,E.M.WhichModeltoUseforCorticalSpikingNeurons?[J].IEEETransactionsonNeuralNetworks,2004,15(5):1063-1070.神经元计算特征本文将回顾了生物脉冲神经元的20个最突出的特征。本节的目的是说明单个神经元响应简单直流电流脉冲的的脉冲行为的丰富性和复杂性。当只有数十个（更不用说数

importimageioimportnumpyimg=imageio.imread("data/training/{}.png".format(0))print(img)#定义感受野函数为rf#接受野的卷积defrf(inp):sca1=0.625sca2=0.125sca3=-0.125sca4=-.5#感受野核函数w=[[sca4,sca3,sca2,sca3,sca4],[sca3,sca

脉冲神经网络之Tempotron简介（一）原创2017年10月15日22:45:07标签：神经网络/脉冲神经网络/图像分类34脉冲神经网络之Tempotron简介脉冲神经网络（SNN）这个概念在上个世纪就被提出

尖峰神经网络/脉冲神经网络(spikingneuralnetwork,snn)  是三代神经网络模型，属于计算神经科学，动物的神经网络大多是脉冲神经网络。  

SNN仿真器说明仿真器使用STDP算法学习了网络的最佳权重，用于图片分类。仿真器使用“赢家通吃”策略来抑制非发放神经元产生分类结果。分类模式时涉及的步骤是：对于每个输入，神经元膜电位在其感受野（5×5窗口）中计算对于每个输入神经元生成脉冲序列，产生脉冲频率与膜电位成比例对于每个图像，在每个时间步长，根据输入脉冲和相关权重更新神经元的电位第一个发放输出神经元对其余的输出神经元进行横向抑制仿真器检查输

脉冲神经元模型传统的人工神经元模型主要包含两个功能，一是对前一层神经元传递的信号计算加权和，二是采用一个非线性激活函数输出信号。前者用于模仿生物神经元之间传递信息的方式，后者用来提高神经网络的非线性计算能力。相比于人工神经元，脉冲神经元则从神经科学的角度出发，对真实的生物神经元进行建模。Hodgkin-Huxley（HH）模型HH模型是一组描述神经元细胞膜的电生理现象的非线性微分方程，直接反映了细

因为老师拓展新方向，被分配了学习脉冲神经网络（SNN）的课题，今天才想到把自己所学的东西一点一点分享出来，和大家一起讨论学习Nest仿真器具有python2.x用户接口：pynest,支持众多神经元模型

脉冲神经网络学习笔记一、基本框架脉冲神经网络的监督算法目标是实现对脉冲序列中包含的时空模式的信息的学习，脉冲序列的定义：S（t）对一个Dirac函数进行求和，f代表发放的第f个脉冲，Dirac函数的运算规则

关于SNN的简介，可以参考：机器之心写的——简述脉冲神经网络SNN：下一代神经网络（原文链接https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details

论文提出Spiking-YOLO，是脉冲神经网络在目标检测领域的首次成功尝试，实现了与卷积神经网络相当的性能，而能源消耗极低。

脉冲神经网络（SNN）属于第三代神经网络模型，实现了更高级的生物神经模拟水平。除了神经元和突触状态之外，SNN还将时间概念纳入了其操作之中。本文将简要介绍这种神秘的神经网络形式。

SpikingNeuralNetwork简述（一）传统神经网络包括现存的各种以perceptron为基本单元的拓扑变种，比如卷积神经网络系列（CNNs),循环神经网络系列（RNNs）,生成对抗网络（GANs），自编码器（Autoencoders)等等。因为反向传播算法的存在和各类数学优化器的发展，使得第二代神经网络在各项任务上有着出色的表现。SpikingNeuralNetwork(SNN)被公认