脉冲神经网络综述

其中无监督学习主要包括基于 1.2 节中 Hebb 与 STDP 两种突触可塑性规则的仿生学习算法，

有监督学习则可以进一步划分为两个阶段：
初期有监督学习算法与深度有监督学习算法。

液体状态机和脉冲深度信念网络

文献引用
[125]
Training deep neural networks for binary
communication with the Whetstone method

2019 年 Severa 等人[125] 提出了一种称为“磨刀
石”（ Whetstone）的新颖 SNN 转换方式：在 ANN
网络中采用有界 ReLU 函数作为激活函数，在完成
最初网络训练之后，逐层地进行有界 ReLU 函数向
阶跃函数的渐进式转换，并在观察到一定性能下降
时重启对网络的训练，完整训练流程结束后即可得
到对应的 SNN 网络。相比针对完整网络进行单次转
换，这种渐进的方式能够减缓转换带来的性能损失，
但目前该方法得到的 SNN 仅使用单步仿真时长，在
性能表现上相对不佳，且 SNN 本身在时域上可能的
动态特性以及处理能力无法得到进一步的发掘与利
用。
应用特定的集成电路
application-specific integrated circuits
ASIC
不断锐化的一个过程，rule函数逐渐变为二进制函数，体现脉冲的“全或无”特性