20世纪中期,通过模拟人类大脑来创建计算模型的观点被提出,同时也被用于一些实际应用场合中,这种模型被称为“人工神经网络”,并逐渐流行起来,然而随后几年又被简单的人工智能模型所取代。由于较多的改进带来了更丰富的神经元模型和更具生物学现实性的网络设计,神经网络领域的研究再次引起了人们的兴趣。脉冲神经网络是一类特殊的人工神经网络,它模拟的生物神经元模型以发放神经脉冲(动作电位)的形式进行相互间的通讯。与传统的人工神经网络相比,脉冲神经网络以更具生物可解释性的方式模拟大脑的动态性能与学习能力。但是,由于收敛速度慢、识别准确率低、权值不稳定以及网络不稳定等问题的存在,训练脉冲神经网络仍然存在诸多问题。本篇论文在目前已有的研究成果的基础上,重点针对脉冲神经网络监督学习算法的收敛速度、分类与预测准确率和网络稳定性等方面进行优化,同时开展利用脉冲神经网络对脑电信号进行情感识别的研究等,主要工作包括:1.首先介绍课题的研究背景,包括课题的由来与主要研究内容,并且给出了本文的创新点。然后描述了传统人工神经网络与脉冲神经网络的基本知识,并通过对比阐述了脉冲神经网络的优势。接着详细介绍了脉冲神经网络的发展、基本工作原理以及脉冲神经网络中信息的编码方式,并列举了多种有监督与无监督学习算法。最后总结了脉冲神经网络目前存在的问题,并提出了相应的算法优化方向。2.针对脉冲神经网络监督学习算法(Multi-SpikeProp)的收敛速度与识别准确率进行优化,通过学习率自动调整和增加、可自动调整的动量项的方法以及更改网络误差测量方程来改进网络的学习性能,从而使脉冲神经网络在训练过程中获得更快的收敛速度以及更高的识别准确率。3.针对脉冲神经网络监督学习算法(Multi-SpikeProp)在训练过程中网络的稳定性进行优化。主要对生物神经元模型进行优化,使其突触后膜电位时间常数可在网络学习训练过程中进行调整,以提高脉冲神经网络训练过程中的抗噪声扰动能力和收敛的稳定性。实验结果表明,优化后的网络具有较好的抗噪声干扰能力,在随机噪声扰动存在的情况下,网络可以成功收敛到目标值并且在训练过程中明显减少了原算法的震荡情况。4.利用脉冲神经网络对脑电信号进行情感识别。脑电信号既包含时间信息又包含位置信息,传统神经网络仅能处理矢量形式的数据,不利于时空数据的处理,而脉冲神经网络可以有效处理时空数据。使用了时域、频域、时频域的方法处理脑电信号。实验结果表明脉冲神经网络可以有效处理脑电信号并能获得较高的情感识别准确率。