论文SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function for Pattern Classification的源码。

ODIN尖刺神经网络（SNN）处理器 比利时鲁汶天主教大学（UCLouvain）版权所有（C）2016-2019。 ODIN的Digital HDL源代码是免费的：您可以根据Solderpad硬件许可证v2.0的条款重新分发和/或修改它，该版本扩展了Apache v2.0许可证以供硬件使用。 提供根据本许可分发的软件，硬件和材料，希望它们可以按“原样”使用，而没有任何明示或暗示的保证或条件； 甚至不暗示适销性或适用于特定目的的暗示保证。 有关更多详细信息，请参见Solderpad硬件许可证。 您应该已经收到了Solderpad硬件许可证以及ODIN HDL文件的副本（请参阅文件）。 如果不是，请参阅 。 ODIN是O n第学习二gital尖峰Ñeuromorphic处理器在鲁汶天主教大学（UCLouvain）设计和原型在28纳米FDSOI CMOS，在生物医学电路与系统轴颈IEEE

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

matlab精度检验代码转化神经网络 卷积峰神经网络（SNN）用于时空特征提取 本文重点介绍了卷积增强神经网络的潜力，并介绍了一种新的体系结构来解决训练深层卷积SNN问题的问题。 先决条件 以下安装程序已经过测试，并且可以正常运行： 的Python> = 3.5 火炬> = 0.4.1 CUDA> = 9.0 opencv> = 3.4.2 码头工人 设置所有程序都可以运行的环境运行./run.sh 资料准备 下载CIFAR10-DVS数据集 提取DVS-CIFAR10 / dvs-cifar10文件夹下的数据集 在Matlab中使用test_dvs.m将事件转换为t, x, y, p矩阵（请确保在代码内调整test_dvs.m文件夹地址） 运行python3 dvscifar_dataloader.py准备数据集（确保在main.py目录中有dvs-cifar10 / airplane / 0.mat这样的文件） 培训与测试 CIFAR10-DVS模型 运行python3 main.py 时空特征提取测试 对于每种架构，只需使用python3运行主文件 注意：训练SNN时存在一些问题

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。

神经网络 Java中的共享最近邻（SNN）聚类算法实现。 这是集群算法的Java实现，如以下所述： Ertöz，L.，Steinbach，M.和Kumar，V.（2003年）。 在嘈杂的高维数据中查找不同大小，形状和密度的聚类。 SDM。 取自 可以通过MATLAB轻松访问代码，例如以下示例： javaaddpath( ' C:\Users\Cássio\Dropbox\workspace\snncluster \t arget\snncluster-0.0.1-SNAPSHOT.jar ' ); javaaddpath( ' C:/Users/Cássio/tools/javaml-0.1.7/javaml-0.1.7.jar ' ); javaaddpath( ' C:/Users/Cássio/tools/javaml-0.1.7/lib/ajt-2.9.jar ' ); ja

增量数据挖掘算法通过避免冗余计算，可以有效地将频繁更新更新为动态数据集。 现有的基于共享最近邻密度的聚类（SNND）算法的增量扩展无法处理数据集的删除，并且一次只能处理一个插入点。 我们提出了一种增量算法来克服这两个瓶颈，方法是在以批处理模式处理数据集的更新时，通过有效地识别集群的受影响部分。

尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。

matlab精度检验代码自述文件 该存储库列出了用于开发尖峰神经网络的文件，这些文件用于基于MNIST数据集的手写数字分类的基于监督学习的应用程序。 以类似于随机梯度下降的方式训练网络，其中权重在图像的每次显示结束时更新。 SNN中使用的神经元是简单的泄漏积分并触发神经元。 本文描述了NormAD的监督SNN训练算法：N. Anwani和B. Rajendran，“ NormAD-基于尖峰神经元的标准化近似后裔监督学习规则”，2015年国际神经网络联合会议（IJCNN），基拉尼，2015年，第1-8页。 本文描述了使用NormAD算法的三层SNN的CUDA实现。 如果您在工作中使用我们的代码，请引用以下内容。 SR Kulkarni，JM Alexiades和B. Rajendran，“具有尖峰神经网络的手写数字的学习和实时分类”，2017年第24届IEEE电子，电路和系统国际会议（ICECS），巴统，2017年，第128页。 -131。 doi：10.1109 / ICECS.2017.8292015 URL： Arxiv链接位于：SR Kulkarni，J。Alexiades和B.

通过混合转换和依赖于峰值时序的反向传播来启用深度峰值神经网络 这是与在发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法 培训分以下两个步骤进行： 训练ANN（'ann.py'） 将ANN转换为SNN并执行基于尖峰的反向传播（'snn.py'） 档案文件 'ann.py'：训练一个ANN，可以提供输入参数来提供建筑设计，数据集，训练设置 'snn.py'：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 / self_models：包含ANN和SNN的模型文件 'ann_script.py'和'snn_script.py'：这些脚本可用于设计各种实验，它创建可用于运行多个模型的'script.sh' 训练有素的人工神经网络模型 训练有素的SNN模型 问题 有时，“ STDB”的激活在训练过程中会变得不稳定，从而