1. 研究目的与意义
随着大数据时代的到来，以冯诺依曼架构为基础的现代计算系统由于存在着连接处理器和存储单元的数据传输瓶颈(即存储墙问题)，已经显现出无法应对器件尺寸不断缩减和计算速度不断提升等关键技术需求的挑战。
因此，类脑神经网络计算技术是现阶段实现高带宽、低功耗、计算需求的必由之路。
同时，针对无人机、水下潜水器、工业机器人等军民应用领域对目标识别功能存在迫切需求，而目前采用深度学习难以解决存在的功耗、延迟问题。
2. 课题关键问题和重难点
（1）掌握人工神经网络与脉冲神经网络基本原理、架构和发展概况（总结提炼各种算法优缺点及其应用情况、适用范围）；（2）总结与分析国内外基于神经网络的类脑芯片关键技术发展概况（器件-神经元或者突触-数字型和NVM型、算法、架构及芯片）；（3）总结和展望脉冲神经网络与类脑计算芯片技术的发展未来。
3. 国内外研究现状（文献综述）
我通过网上查阅资料，阅读国内外文献，调查研究现神经网络算法、神经形态器件芯片的情况。
从有关脉冲神经网络研究进展、神经网络的模式分类、忆阻器等研究综述中，所得材料不少，比在学业中学到的东西多得更多，也更难懂。
许多有趣的知识，则见所未见，闻所未闻。
4. 研究方案
基于转换的方法，获得一个SNN，对给定的任务，该SNN将产生与深度神经网络相同的输入输出映射。
它的基本原理是，使用权重调整和归一化方法将训练有素的DLN转换为SNN，将非线性连续输出神经元的特征和尖峰神经元的泄漏时间常数，不应期、膜阈值等功能相匹配。
为了不造成严重的性能损失的前提下获得每一层最佳，可以在DLNs的训练过程中引入其它约束，但是从DLNs转换的SNNs的推理时间变得很长（约几千个时间步长），导致延迟增加、能耗增加。
5. 工作计划
毕业设计前一学期末完成英文翻译，收集、查阅、文献资料并准备开题报告。
第1周提交英文翻译终审稿，并上传至毕设管理系统。
提交开题报告初稿；第2周提交开题报告终审稿，并上传至毕业设计管理系统。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
