最近基于深度学习的新兴技术在人工智能领域的各种任务中取得了卓越的结果，然而，它们面临着对抗性输入、生态影响以及需要大量训练数据等多个挑战。作为回应，研究人员越来越关注生物基础的机制，因为生物大脑所展示的惊人能力具有吸引力。本调查研究探讨了一系列这些受生物启发的突触可塑性模型，在深度学习场景中的应用以及与尖峰神经网络突触可塑性模型的关联。总的来说，生物启发的深度学习是一个令人兴奋的研究方向，旨在推进我们当前的技术，同时也加深对智能的理解。

Jul, 2023

本文综述了关于基于脉冲神经元的生物解释性网络的生物背景、理论基础、不同神经元模型、神经回路的连通性、主流神经网络学习机制和网络架构等方面的内容，并希望吸引不同的研究者，推进脑启发式智能和人工智能的发展。

Apr, 2022

本文综述了基于直接学习的深度脉冲神经网络研究，重点讨论了提高准确性、提高效率和利用时间动态的方法，并进一步分类和总结。同时，展望了未来研究中可能面临的挑战和趋势。

May, 2023

该研究论文讨论深度脉冲神经网络的训练方法，比较有监督和无监督学习的准确性、计算成本和硬件友好性，发现深度脉冲神经网络在准确性方面仍落后于人工神经网络，但在许多任务中可以达到相同的准确性并需要更少的计算操作。

Apr, 2018

脉冲神经网络（SNN）是一种受生物启发的神经网络模型，通过脉冲和脉冲列进行神经元之间的通信，与标准人工神经网络（ANN）不同。本文首先对比了 SNN 和脉冲神经 P 系统（SNPS）的结构、功能、优点和缺点，然后综述了 SNN 和 SNPS 形式化方法在机器学习和深度学习模型中的最新研究成果和应用。

Mar, 2024

本文从五个主要研究领域综述了脉冲神经网络（SNNs）的最新进展和新的前沿，其中包括关键元素（脉冲神经元模型、编码方法和拓扑结构）、神经形态数据集、优化算法、软件和硬件框架，我们希望这篇调查能帮助研究人员更好地了解 SNNs，并激发新的工作来推进这一领域。

Mar, 2022

这篇论文总结了神经元模型的优点、缺点和适用性，分析了网络拓扑的特性，并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法，最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结，论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。

Sep, 2023

使用脉冲神经网络作为数据生成器，直接合成新的脉冲火车，从而提高脑 - 计算机接口解码器的概括能力，并将脉冲神经网络作为一种更好地与脑 - 计算机接口集成的大脑启发式智能方法。

Mar, 2022

该研究比较了人工神经网络和脉冲神经网络的数字硬件加速技术和平台，以回答在设计新硬件时何时应参考大脑并何时应忽略的问题。

Jun, 2023

近几十年来，工业故障诊断（IFD）作为一门重要学科涉及检测和收集工业设备健康状况的关键信息，从而有助于识别故障类型和严重程度。由于精确有效的故障识别受到重视，自动化设备监控已成为焦点，以预防安全事故并减少对人力劳动的依赖。人工神经网络（ANNs）的出现在大数据背景下增强了智能 IFD 算法，但 ANNs 仍存在资源和数据依赖性以及认知能力受限等固有局限性。为解决这些问题，基于大脑计算原理的第三代脉冲神经网络（SNN）作为一种有前景的替代方案崭露头角。SNN 以生物神经元动力学和脉冲信息编码为特点，在表示时空特征方面展现出异常潜力。因此，开发基于 SNN 的 IFD 模型已经引起了广泛关注，并展现出令人鼓舞的性能。然而，该领域缺乏系统性的调查来说明当前状况、挑战和未来方向。因此，本文系统地回顾了 SNN 模型的理论进展，以回答什么是 SNN。随后，它对现有的基于 SNN 的 IFD 模型进行了审查和分析，以解释为何需要使用 SNN 以及如何使用它。更重要的是，本文系统地回答了 SNN 在 IFD 中的挑战、解决方案和机会。

Nov, 2023