本文从原理出发分析了在推挽逆变器中两开关管漏极产生尖峰的原因，提出了改进方法，并在实际应用中得到验证是可行的，相比于传统推挽逆变器，极大地提升了了性能，提高了效率和稳定性。

RASTERPLOT.M 显示尖峰光栅。 RASTERPLOT(T,N,L) 绘制 N 次试验的尖峰时间栅格（样本中的 T），每个长度为 L 个样本，采样率 = 1kHz。 尖峰时间按试验长度散列。 RASTERPLOT(T,N,L,H) 在轴手柄 H 中绘制光栅 RASTERPLOT(T,N,L,H,FS) 在轴手柄 H 中绘制光栅。使用 FS (Hz) 的采样率 例子： t=[10 250 9000 1300,1600,2405,2900]; 光栅图(t,3,1000)

isomap降维matlab代码多元学习尖峰分类 有关如何在尖峰排序中使用低维嵌入（即，ISOMAP算法）进行特征提取的教程的源代码 简短的介绍 背景噪声和尖峰重叠在当代尖峰分类策略中造成了问题。 （非线性）等距特征映射（ISOMAP）技术揭示了固有的数据结构，并有助于识别活动神经元。 ，用于计算一组高维数据点的准等距，低维嵌入。 该算法提供了一种简单的方法，可基于对流形上每个数据点的邻居的粗略估计来估计数据流形的固有几何形状。 Isomap具有很高的效率，并且通常适用于广泛的数据源和维度。 。 其中，使用了来自3个神经元的模拟尖峰，其中一个是稀疏生的。 要在MATLAB中重现本教程，您将需要： 适用于本教程中使用的MATLAB。 （有关更多信息和更新版本） 用于MATLAB的备忘录脚本和示例数据可重现教程中显示的结果。 笔记 更改“ k”值将影响算法的输出，即在ISOMAP空间中投影数据。 投影坐标保持在“ Y”。 “ R”表示剩余方差。 有关更多详细信息和引用此工作，请参见： Adamos DA ，Laskaris NA，Kosmidis EK，Theophilidis G.“”。

自述文件 这个包是基于脉冲神经网络（SNNS）学习原件S派克LAY呃ËRROR [R eassignment（杀手）框架反向传播的PyTorch端口。 最初的实现是在带有CUDA和CUDNN的C ++中实现的。 可从。 以下视频简要介绍了该方法。 该框架的基本描述已在发布。 最终论文可。 可找到arXiv预印本。 引文 Sumit Bam Shrestha和Garrick Orchard。 “ SLAYER：尖峰层错误及时重新分配。” 《神经信息处理系统的进展》 ，第1417-1426页。 2018。 @InCollection { Shrestha2018 , author = { Shrestha, Sumit Bam and Orchard, Garrick } , title = { {SLAYER}: Spike Layer Error Reassig

本文从原理出发分析了在推挽逆变器中两开关管漏极产生尖峰的原因，提出了改进方法，并在实际应用中得到验证是可行的，相比于传统推挽逆变器，极大地提升了了性能，提高了效率和稳定性。

短期需水量预测是城市给水管网安全稳定运行的前提和保证.针对日需水量预测提出一种基于尖峰机制的自组织模糊神经网络(SSOFNN)模型.针对影响变量复杂多变的特点,采用主成分分析对原始数据进行降维处理,获取线性无关的主成分变量作为预测模型输入数据.SSOFNN模型根据尖峰强度和误差指标在训练过程中对隐含层神经元进行增长修剪,结合改进Leveberg-Marquardt算法简化参数更新过程中的计算过程,大大减少了计算量,能够获得紧凑的网络结构,且跟踪精度高,运行时间短,预测效果好.

科技论文 “针对复杂声音的峰峰值响应的频谱特定的时间分析：统一框架”的代码和数据 运行代码run_all_Fig_mfiles.m以重新创建论文中的所有图形。

一个Python软件包，用于使用PyTorch Tensor功能在CPU或GPU上模拟尖峰神经网络（SNN）。 BindsNET是一个尖峰神经网络仿真库，旨在开发受生物启发的算法。Python软件包，用于使用PyTorch Tensor功能在CPU或GPU上仿真尖峰神经网络（SNN）。 BindsNET是一个尖峰的神经网络仿真库，旨在开发用于机器学习的受生物启发的算法。 该软件包被用作正在进行的研究的一部分，该研究在生物学启发的神经与动力系统（BINDS）实验室中将SNN应用到机器学习（ML）和强化学习（RL）问题中。 查看BindsNET示例

互联网金融尖峰时刻——2014·上海新金融年会暨互联网金融外滩峰会纪实.pdf

nn 构建一个尖峰神经网络 功能 该项目用于构建加标神经网络，以完成MNIST数据集上的分类任务。