文献阅读笔记：脉冲神经网络最新文献合集-V

2025年脉冲神经网络（SNN）研究取得新进展，涉及多个应用领域。日本九州工业大学团队开发了海马CA3区SNN模型，模拟迷宫任务中的新型路径序列涌现（论文1）。奥地利团队提出自适应SNN方法提升时空处理能力（论文2）。中国学者采用改进布谷鸟算法优化SNN进行金融预测（论文3）。荷兰研究显示能量优化可使多隔室SNN具备预测编码特性（论文4）。此外，SNN在数据中心流量管理（论文5）、学习算法基准测试（论文6）、事件光流处理（论文7）和脑电分类（论文8）等领域均有创新应用。这些研究推动了SNN在计算效率、自适应

本博客是我在阅读雷达辐射源识别领域的多篇文献后的总结，主要围绕雷达辐射源识别技术，从三个维度，以表格形式系统梳理了各阶段关键技术、方法细节、相关研究文献及技术特点，涵盖从传统特征匹配到深度学习的全技术谱系，为雷达辐射源识别领域研究人员提供清晰的技术框架参考。

对于基于脉冲神经网络的时序模式分类器，我们采用漏积分发射脉冲神经元模型（LIF）。与RNN中的神经元非常类似，LIF神经元也是有状态的，或者说是有记忆，它的状态变量，一般是它的膜电位。在该神经网络模型中，每个神经元的动力学函数可以通过如下公式来进行概括：其中，表示膜时间常数，C是膜电容，𝑅是膜电阻。𝑉代表膜电压， 是静息电位。当膜电压𝑉超过设定的常量阈值Vthr时，神经元激发一个脉冲，然后𝑉在不应期内会被重置到Vreset, 𝐼是突触前输入电流。

LIF（Leaky Integrate-and-Fire）神经元是一种简单而常用的脉冲神经元模型，用于模拟神经元的活动。

Heaviside 算子Hx0ifx01ifx≥0Hx01​ifx0ifx≥0​它的作用是将输入信号根据某个阈值进行二值化处理。可以理解为一个开关，当输入信号达到或超过某个阈值时，开关“打开”，输出1；否则开关“关闭”，输出0。在脉冲神经网络中，Heaviside 算子用于模拟神经元的发放行为。StHUt−θStHUt−θ其中UtU(t)Ut是膜电位，θ\thetaθ是发放阈值，StS(t)St是脉冲信号。

基于有向无环图的交叠脉冲流分选方法研究 摘要：针对现有脉冲分选方法在漏脉冲和PRI抖动情况下的不足，本文提出一种基于有向无环图(DAG)的新型分选算法。该方法首先通过PRI估计构建脉冲关系图，将分选问题转化为最长路径搜索问题。相比传统容差法和动态序列搜索法，本方法能一次性提取完整脉冲序列，显著提升了对漏脉冲(最高达20%)和PRI抖动(±5%)的适应能力。实验表明，在干扰脉冲率50%、PRI 300-400us条件下，该方法的精准率和召回率综合性能优于对比方法。虽然计算复杂度增至O(L^3)，但分选效果显著

#脉冲神经网络和在线学习的那些事（一） 脉冲神经网络作为第三代神经网络在科研层面研究的较多，因为它最能贴近人脑的记忆和处理信息的能力。本人一直以来在研究脉冲神经网络中的神经元模型和STDP学习规则，做的工作是优化神经元模型和学习算法。在研究过程中发现离线的学习算法已经不能完成大数据集的训练任务。在离线学习中，网络的参数通常在给出整个训练数据集之后进行更新。因此，不重新训练网络就不能添加新的数据样本。训练集中所有例子的总误差在梯度适当权值更新之前累积。离线训练对于中小型数据集和网络来说是快速的，但是对于大型网

或门在(x1, x2) = (0, 0) 时输出0，在(x1, x2) 为(0, 1)、(1, 0)、(1, 1) 时输出1。上图中，○表示0，△表示1。或门的情况下，当权重参数为(b,w_1,w_2)=(-0.5,1.0,1.0)时，可满足真值表条件。如果用感知机来表示与门，可以把（w1,w2,θ）分别设置为（1, 1, 1），或者设置为(0.5, 0.5, 0.8)，实际上有无穷多种取值都可以达成预期。这里，将最左边的一列称为第 0 层，中间的一列称为第 1 层，最右边的一列称为第 2 层。

Keras是一个用Python编写的用于神经网络开发的应用接口，调用开接囗可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发。

VGG神经网络详解：小卷积核堆叠加深网络结构 VGG是2014年由牛津大学Visual Geometry Group提出的深度学习模型，其核心思想是使用统一的小型3×3卷积核堆叠来构建深度网络。VGG在ImageNet竞赛中取得优异成绩，证明了网络深度对特征提取能力的重要性。 主要特点： 采用多层3×3卷积核替代大核卷积，在保持感受野的同时减少参数量 每个block包含多个卷积层后接2×2最大池化 通道数随网络深度翻倍增长(64→128→256→512) VGG-16是典型实现，包含13个卷积层和3个全连接

本文详细解析了GoogLeNet(Inception v1)的核心思想与实现。GoogLeNet通过创新性的Inception模块（多尺度并行卷积+1×1降维）实现了高效特征提取，在保持精度的同时大幅降低参数量。文章内容包括：1）模型核心设计思想；2）网络逐层结构详解；3）Inception模块计算示例；4）关键设计点解析；5）PyTorch实现方案。重点阐述了1×1卷积的降维作用、多尺度特征提取原理，并通过具体计算演示了参数与计算量的估算方法。文章最后提供了可直接运行的PyTorch代码示例，便于读者快速

MobileNet系列是专为移动端设计的轻量级卷积神经网络，通过深度可分离卷积、宽度缩放和倒置残差结构实现高效计算。本文详细解析了MobileNet V1和V2的核心原理，包括逐层计算示例、参数比较和计算量分析，并提供了完整的PyTorch实现代码。V1采用深度可分离卷积节省8-9倍计算量，V2引入倒置残差和线性瓶颈进一步优化性能。文章包含可直接运行的代码示例，帮助读者快速上手和实践模型改进。

在人工智能的浪潮中，（Neural Networks）无疑是驱动核心技术的引擎，它赋予了计算机前所未有的学习和识别能力。而这一切的起点，是受到生物大脑中基本单元——（Neurons）的深刻启发。从一个微小的生物细胞到复杂的计算模型，神经元与神经网络共同构成了人工智能的强大基石。