自适应阈值脉冲神经网络

精度与收敛双优

以FitzHugh-Nagumo动力学与动态突触调节替代传统LIF模型，在保持生物合理性的同时提升脉冲神经网络的稳定性与自适应能力

Liu, Lijuan · Meng-Jie, Zhang · Sun, Tao · Xiao-Ning, Wang · Zezhou, Liu · Deguang, Wang

Neurocomputing 2026

技术优势

精度全面超越LIF

在RTTS、Cityscapes和Foggy Cityscapes三个基准上，分类精度均优于LIF-SNN。

训练更快收敛

收敛速度优于LIF-SNN，可减少训练时间。

应用场景

• 脉冲神经网络硬件部署：提供更稳定、自适应的神经元模型，可在硬件上实现高效推理。
• 计算神经科学：采用FHN方程更贴近生物神经元动力学，可用于验证神经计算理论。
• 神经形态计算：动态突触调节与自适应阈值提升信息传输鲁棒性，适合类脑计算。