文件包里包含关于SNN最新技术的相关文档

神经元学习是神经元网络更复杂学习的基础。 简历是用于加标神经元的最受欢迎的监督学习算法之一。 它对应于Widrow-Hoff规则，其权重调整是基于基于尖峰的Hebbian进程得出的。 尽管它取得了很大的成功，但是当所需的输出尖峰序列变长时，学习精度会Swift下降。 本文分析了与简历学习趋同有关的两个重要因素。 在此基础上，我们提出了两种方法来提高简历的有效性。 实验结果表明，两种改进算法均可以达到较好的性能。

PyTorch-Spiking-YOLOv3 基于YOLOv3的PyTorch实现（ ）的Spiking-YOLOv3的PyTorch实现，目前支持Spiking-YOLOv3-Tiny。 整个Spiking-YOLOv3即将得到支持。 介绍 为了实现尖峰效果，YOLOv3-Tiny中的某些运算符已进行等效转换。 有关详细信息，请参阅/ cfg中的yolov3-tiny-ours（*）。cfg。 某些运营商的转换 'maxpool（stride = 2）'->'convolutional（stride = 2）' 'maxpool（stride = 1）'->'none' 'upsample'->'transposed_convolutional' 'leaky_relu'->'relu' '批处理标准化'->'fuse_conv_and_bn' 用法 有关培训，评估和推断的基

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

Spiking_Neuron 基于它们的计算单位的神经网络可以分为三代： 第一代：这一代神经网络包括感知器，Hopfield网络，boltzmann机器等。 第二代：这一代神经网络包括多层神经网络，递归网络等。 第三代：这一代神经网络包括Spiking神经网络，它是对大脑内工作和信息流的更真实的表示。 该存储库包含LIF（泄漏集成和激发）神经元模型和Izhikevich神经元模型的代码和模拟，以及它们的大多数配置变化，以模拟人脑中神经元的各种操作方式。 这些神经元模型非常紧密地以数学微分方程的形式表示了大脑中神经元的功能，因为人们认为大脑是一个强大的信号处理系统。 伊兹凯维奇神经元模型 LIF神经元模型 该存储库的目的是为大脑的行为建模，以便以后可以在Spiking Neural Networks中修改和实现这些模型。

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。

该项目包含一个实时脚本和两个应用程序，它们模拟了一个众所周知的尖峰神经元模型，该模型已发布并得到认可。 Live Script 旨在作为神经科学受众的演示，展示不同的 Live Script 功能，例如实时控件、实时任务、将代码转换为本地函数等。 Live Script 演示了具有某些膜特性的神经元对外部电流脉冲注入的响应。 用户可以修改参数。 第一组参数处理膜参数，而第二组改变电流脉冲的幅度和宽度。 定义 Izhikevich 模型的微分方程通过两种方法求解1）使用正向Euler方法，使用for循环2) 使用内置的 MATLAB ode 求解器（需要 Symbolic Math Toolbox） 而正向 Euler 是最简单的积分方法，它也是最不准确和最稳定的。 用户可以使用实时控制（下拉菜单）在两者之间进行选择 Live Script 附带两个 App，一个使用前向 Euler

基于粒子群算法优化Spiking神经网络.pdf

Spiking Neuron Models _ W.Gerstner,_W.M.Kistler.djv 注意不是pdf的，是.djv版本的书籍。 这书的pdf版也上传了。见Spiking Neuron Models - single neurons, populations, plasticity _ W.Gerstner,_W.M.Kistler

具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。