脉冲神经网络(Spiking Neural Network，SNN)相关论文最新推荐（一）

最新推荐文章于 2025-11-24 20:30:00 发布
原创 最新推荐文章于 2025-11-24 20:30:00 发布 · 728 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #人工智能 #深度学习

用稀疏代理梯度直接训练时态脉冲神经网络

论文链接：www.sciencedirect.com

Benchmarking Artificial Neural Network Architectures for High-Performance Spiking Neural Networks

论文链接：www.mdpi.com

Hierarchical spiking neural network auditory feature based dry-type transformer fault diagnosis using convolutional neural network

论文链接：iopscience.iop.org

Neural Data Transformer 2: Multi-context Pretraining for Neural Spiking Activity

论文链接：www.biorxiv.org

Converting Data for Spiking Neural Network Training

论文链接：thesai.org

A novel parallel merge neural network with streams of spiking neural network and artificial neural network

论文链接：www.sciencedirect.com

TCJA-SNN: Temporal-Channel Joint Attention for Spiking Neural Networks

论文链接：ieeexplore.ieee.org

【转载自:】开思通智网 ---- “一起来o站，玩转AGI！”
【官网:】https://www.opensnn.com/
【原文链接:】https://www.opensnn.com/os/article/10000939

结束
论文阅读TCJA-SNN: Temporal-Channel Joint Attention forSpiking Neural Networks
weixin_51378919的博客
10-09 1803
介绍SNN背景，脉冲神经网络具有生物合理性、低能量消耗、时空信息表达能力。
SNN学习：脉冲神经网络（Spiking Neural Network，SNN）基础
共同学习，共同进步。
11-12 4446
脉冲神经网络的相关知识
[IEEE 2024] TCJA-SNN: Temporal-Channel Joint Attention for Spiking Neural Networks【文献精读、翻译】
qq_22841387的博客
07-01 1681
本文提出了 TCJA 机制，该机制创新性地重新校准了 SNN 中的时间和通道信息。具体来说，我们使用 1-D 卷积而不是通用的全连接网络来构建帧之间的相关性，从而减少计算量并提高模型性能。除了在分类任务中的出色表现外，TCJA-SNN 在图像生成任务中也表现出竞争力。据我们所知，这项研究 首次将 SNN 注意力机制应用于高层次分类和低层次生成任务 。值得注意的是，我们的方法在这两个领域都取得了最先进的性能，从而在该领域取得了显著进展。然而，插入 TCJA 仍然导致参数数量相对大幅增加。
2023年顶会、顶刊SNN相关论文
lanpeople的博客
02-07 1万+
这篇博客主要用于记录2023年在一些顶会顶刊（AAAI、CVPR等）上发表的一些不错的SNN方面的论文，会附上相关论文的链接，正在更新中…
周报第六十六周 Snn
weixin_44162879的博客
11-30 1166
本周阅读了题为Efficient and Effective Time-Series Forecasting with Spiking Neural Networks的论文。该文提出了一个在时间序列预测任务中利用snn的框架。通过一系列的实验，证明了提出的基于snn的方法在时间序列预测中的有效性。这些方法在不同的基准数据集上显示出与传统时间序列预测方法相当的性能，同时显著降低了能耗。此外，详细的分析实验揭示了SNN在时间序列数据中捕获时间依赖性的能力。
SNN学习
tzc_tzc的博客
02-09 1万+
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、突触模型和复杂网络结构。    利用nest官网提供的已经装好nest的virtualbox虚拟电脑文件，对于nest仿真器进行熟悉，了解神经元的构建，仿真流程等。1、仿真环境的建立1)  启动...
脉冲神经网络（Spiking Neural Network，SNN）概述
热门推荐
h__ang的博客
05-24 3万+
主要讨论脉冲神经网络的拓扑结构、信息的脉冲序列编码方法、脉冲神经网络的学习算法和进化方法等。 一. 脉冲神经网络的拓扑结构 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。它们分别是前馈型脉冲神经网络（feed-forward spiking neural network）、递归型脉冲神经网络（recurrent spiking neural network）和混合型脉冲神经网络（hy...
脉冲神经网络（Spiking Neural Networks, SNNs）
Rhett_Butler0922的博客
04-28 1379
脉冲神经网络通过模拟生物神经元的行为，提供了低功耗、高效时序处理的能力。其核心包括LIF等神经元模型、频率/时间编码、STDP等学习规则，以及神经形态硬件实现。尽管训练复杂性和硬件限制是当前挑战，但代理梯度、ANN到SNN转换和新型芯片正在推动SNNs的发展。
类脑运算--脉冲神经网络（Spiking Neural Network）叙述
Yannan_Strath的博客
04-28 1万+
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...
脉冲神经网络（Spiking Neural Networks，SNNs）介绍
qq_17743307的博客
05-15 2268
脉冲神经网络（Spiking Neural Networks，SNNs）是仿生神经网络的一种类型，它们模仿了生物神经元在大脑中传递信息的方式。与传统的人工神经网络（Artificial Neural Networks，ANNs）不同，脉冲神经网络使用离散的脉冲（即“尖峰”或“冲动”）来传递信息，而不是连续的激活值。
2022年顶会、顶刊SNN相关论文
lanpeople的博客
04-15 1万+
2022年顶会、顶刊脉冲神经网络相关优秀论文收集
CVPR最佳论文得主清华黄高团队提出首篇动态网络综述
努力努力再努力的小马
07-20 4306
Dynamic Neural Networks: A Survey【写在前面】动态神经网络是深度学习领域的一个新兴研究课题。与在推理阶段具有固定计算图和参数的静态模型相比，动态网络可以使其结构或参数适应不同的输入，在准确性、计算效率和适应性等方面具有显著优势。在本次调查中，作者将动态网络分为三大类，全面回顾了这一快速发展的领域：1）样本动态模型，用数据相关的架构或参数处理每个样本；2） 针对图像数据的不同空间位置进行自适应计算的空间智能动态网络；3）时序动态模型，对视频和文本等序列数据沿时间维度进行自适应推
简单神经网络
2301_81291487的博客
11-17 550
【代码】简单神经网络。
AI芯片设计实战：用Verilog高级综合技术优化神经网络加速器功耗与性能
云雾J视界的博客
11-24 525
本文探讨了Verilog高级综合技术在AI芯片设计中的应用与优化。随着AI芯片市场爆发式增长，传统手工设计方法面临功耗性能瓶颈，Verilog高级综合通过自动生成优化硬件，显著提升设计效率。文章详细分析了核心技术：逻辑优化原理（布尔化简、时序优化）和资源共享策略（功能单元复用），并以NVIDIA芯片为例展示了多精度乘法器和智能缓存控制器的实现。通过8位整型卷积加速器案例，验证了高级综合在缩短开发周期（6个月→2个月）和降低功耗（30%以上）方面的优势。最后展望了机器学习驱动综合算法、异构计算集成等未来发展方
手写数字识别：从零搭建神经网络
一无所知的世界，走下去才有惊喜。让我们永远相信美好的事情即将发生，成为比昨天更优秀的自己。
11-19 1066
本文介绍了一个基于卷积神经网络(CNN)的手写数字识别系统，使用MNIST数据集实现。系统包含两个核心组件：模型构建(model.py)和训练过程(train.py)。模型采用典型CNN结构，包括卷积层(特征提取)、展平层(数据转换)和全连接层(分类计算)。训练过程通过数据预处理(归一化、添加通道维度)、批量训练(32样本/批次)和Adam优化器完成。系统在5个epoch内即可达到较高准确率，展示了CNN在图像识别任务中的有效性。整个过程清晰展现了深度学习模型的构建、训练和评估流程。
【神经网络与深度学习（吴恩达）】神经网络基础学习笔记
qq_62361050的博客
11-24 390
接下来我们符号化一下表示，首先将x和y放在一起，x表示某张图片的特征向量，y表示分类结果，将所有的样本图片和与其对应的分类结果放在一块，即可组成数量为m的训练集，然后将所有x特征向量按列依次放入一个矩阵中即可组成一个X，表示待分类的图片特征数据矩阵，在Python语言中X.shape = (nx,m)，分类完成后，结果矩阵Y，表示所有分类结果数据，在Python语言中Y.shape = (1,m)。一个神经网络的计算都是按照前向或反向传播过程来实现的，首先计算出神经网络的输出，紧接着进行一个反向传输操作。
【Python TensorFlow】CNN-BiLSTM时序预测 卷积神经网络-双向长短期记忆神经网络组合模型（附代码）
vvoennvv的博客
11-19 493
本文提出了一种结合CNN与BiLSTM的混合神经网络模型（CNN-BiLSTM）用于多特征时序预测。该模型通过一维卷积提取局部时间特征，双向LSTM捕获长期依赖关系，实现了多步预测能力。算法流程包括数据预处理、网络构建（含卷积层、池化层、双向LSTM层）、模型训练（采用Adam优化器和MSE损失函数）及评估。实验采用电力负荷或风电场功率数据，通过滑动窗口构造样本并进行归一化处理，支持多输入多步预测。代码提供详细注释，可直接替换CSV/Excel数据集运行，包含完整的训练测试集划分和评估流程。
神经网络深度解析：从神经元到深度学习的进化之路
qq_51229257的博客
11-24 373
周志华《机器学习》第五章“神经网络”是连接传统机器学习与深度学习的桥梁——它从模拟人脑神经元的基本模型出发，逐步构建多层网络，核心突破是BP算法的提出，最终延伸到深度学习的核心思想。本章的核心逻辑是：通过“神经元加权求和+激活函数”构建基本单元，用多层结构拟合非线性关系，靠BP算法优化参数，再通过不同网络拓扑适应不同任务。本文将从“基础模型→核心算法→代码实现→习题解答”四个维度，用通俗比喻和实例拆解第五章的核心知识，帮你吃透神经网络的设计原理与工程实践。神经网络的最小单元是神经元，源于1943年提出的M-
基于pso算法优化的PID神经网络的系统解耦控制算法-多变量系统控制 matlab代码成品
最新发布
2503_94141257的博客
11-24 371
两个输入三个输出，变量之间还互相勾勾搭搭，传统PID直接套用就像用菜刀削苹果——能搞但贼费劲。今儿咱们整点新活，把PSO粒子群算法和PID神经网络揉一块儿，搞个智能解耦控制器。需要源码的老铁评论区吱声，这算法在塑料挤出机温控系统上实测过，鲁棒性比厂里原来用的DMC强不少。跟常规的三层BP网络不同，咱们在隐藏层里埋了PID激活函数，让网络自己学会解耦逻辑。这里有个坑要注意：权值范围别设太大，控制在[-1,1]之间，不然激活函数直接饱和。从波形能明显看出，传统方法控制量抖得像心电图，而咱们的算法输出平滑得多。
Spiking neural network
01-13
### 脉冲神经网络简介及其在人工智能中的应用 #### 定义与特点 脉冲神经网络 (Spiking Neural Network, SNN) 是一种模仿生物神经系统工作原理的人工神经网络模型。SNN 中的神经元通过离散的时间事件——即脉冲或尖峰来传递信息，这使得其更接近于大脑的实际运作机制[^1]。 #### 工作原理 在一个典型的 SNN 架构里，当输入信号达到一定阈值时，神经元会产生一个脉冲并将其发送给其他相连的神经元。这种基于时间的信息处理方式允许 SNN 更高效地模拟复杂的动态过程，并且能够更好地适应实时数据流的任务需求[^2]。 #### 应用于模式识别 对于模式识别任务而言，渐进式串联学习方法被证明可以有效提升 SNN 的性能表现。该技术利用多个阶段逐步训练网络的不同部分，在保持较低功耗的同时实现了较高的分类精度。 ```python import snntorch as snn from torch import nn class SNNLayer(nn.Module): def __init__(self, input_size, hidden_size): super(SNNLayer, self).__init__() self.fc = nn.Linear(input_size, hidden_size) self.lif = snn.Leaky() def forward(self, x): spk_out, mem_potential = self.lif(self.fc(x)) return spk_out, mem_potential ``` 此代码片段展示了如何定义一个简单的SNN层，其中包含了线性变换和Leaky Integrate-and-Fire(LIF)类型的神经元模型。 #### 映射到神经形态硬件 为了使 SNN 可以运行在专用的低能耗设备上，研究者们开发出了多种针对特定架构优化过的映射算法。这些算法通常会考虑如何有效地分配计算资源以及减少通信开销等问题。 #### 卷积结构下的发展 近年来，随着卷积操作引入至 SNN 设计当中，出现了许多新颖而高效的深层架构。这类改进不仅增强了系统的表达能力，还进一步拓宽了应用场景范围，比如图像视频分析等领域[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值