本文提出了一种使用 Leaky-Integrate-Fire (LIF) 神经元模型的堆叠扩张卷积脉冲层的模型，在保持非常稀疏的脉冲活动的情况下，可以在 Google SC v1 数据集上实现接近标准 DNN 的 5.5% 的误差率，证明了 SNNs 在语音识别方面的可行性。

Nov, 2020

通过使用脉冲耦合神经网络（PCNN）取代常用的漏积分 - 发放神经元（LIF）模型神经元，我们构建了深度脉冲耦合神经网络（DPCNN），进而改善了 SNNs 在视觉任务中的表达能力和识别性能。同时，我们还提出了接受域和时间依赖批归一化（RFTD-BN）来加速 DPCNNs 的收敛和性能。

Dec, 2023

使用 LIF 神经元训练脉冲深度网络，并在 CIFAR-10 和 MNIST 数据集上实现了最先进的结果。通过软化 LIF 响应函数并添加噪声，我们的方法旨在实现在神经形态硬件上训练深度网络的快速、高效的图像分类。

Oct, 2015

该研究建立了生物参数和人工神经网络参数之间精确的数学映射关系，并证明了两者之间存在的映射关系，从而为两种类型的神经网络的潜在组合提供了理论基础。

May, 2022

本文探讨了一种新颖的生物启发式脉冲卷积神经网络，该网络以贪心的分层方式进行训练，将由脉冲卷积 - 池化层和提取独立视觉特征的特征发现层组成，使用局部学习训练卷积层内的卷积核并利用概率性、泄漏整流集成火 (LIF) 神经元从输入刺激中提取独立特征。实验结果表明，该模型能够轻松进行多层次学习，并且具有噪声鲁棒性。

Nov, 2016

通过使用 Leaky Integrate and Fire 神经元，我们研究了脉冲神经网络在高斯去噪任务中的性能，结果表明相对于深度卷积神经网络，SNN 能够在降低计算负载的情况下提供有竞争力的去噪性能。

May, 2023

本文提出了一个统一脉冲神经元 GLIF，以融合不同的生物特征在不同的神经行为中，从而扩大脉冲神经元的表示空间，增加其异质性和适应性，并通过各种数据集的广泛实验证明了其优越性能。

Oct, 2022

本文介绍了一种方法，该方法可以训练使用 Leaky Integrate-and-Fire（LIF）神经元的脉冲深度网络，并在包括大型 ImageNet ILSVRC-2012 基准测试在内的五个数据集上取得了最先进的结果。该方法可扩展，并适用于各种神经非线性。通过软化神经响应函数以使其导数保持有界，并通过噪声训练网络，我们实现了这些结果，以提高其承受由脉冲引入的变异性的鲁棒性。我们的分析表明，在神经形态硬件上实现这些网络将比传统硬件上等效的非脉冲网络更加节能。

Nov, 2016

本研究比较了三种简单的脉冲神经元模型 (简洁型、二次型和指数型)，利用 Spike-Timing Dependent Plasticity (STDP) 在 N-MNIST 和 DVS Gestures 数据集上测试它们的分类表现，结果显示在数据具备更多的时空特征时，二次型和指数型的神经元模型表现更好，说明根据数据的特征谨慎选择神经元模型，能够提高整个系统的性能。

Jun, 2022

本文提出了一种名为 LIAF-Net 的深度神经网络，并构建了一种新的神经元模型 LIAF，使得模拟值可以在神经元之间传输，以便在时空领域进行有效的处理，实验结果表明，与传统网络相比，其在实现轻量级和高效的时空信息处理方面具有领先的性能和优势。

Nov, 2020