脉冲神经网络的简介
脉冲神经网络（SNN-SpikingNeuronNetworks)经常被誉为第三代人工神经网络。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。
第二代神经网络包括比较广泛，包括应用较多的BP神经网络。但是从本质来讲，这些神经网络都是基于神经脉冲的频率进行编码(ratecoded）。
脉冲神经网络，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑其中。
思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定值才被激活。
当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。
在脉冲神经网络中，神经元的当前激活水平（被建模成某种微分方程）通常被认为是当前状态，一个输入脉冲会使当前这个值升高，持续一段时间，然后逐渐衰退。
出现了很多编码方式把这些输出脉冲序列解释为一个实际的数字，这些编码方式会同时考虑到脉冲频率和脉冲间隔时间。借助于神经科学的研究，人们可以精确的建立基于脉冲产生时间神经网络模型。
这种新型的神经网络采用脉冲编码(spikecoding)，通过获得脉冲发生的精确时间，这种新型的神经网络可以进行获得更多的信息和更强的计算能力。
脉冲神经网络和非脉冲神经网络各有什么优缺点
度学习的概念源于人工神经网络的研究爱发猫 www.aifamao.com。含多隐层的多层感知器就是一种深度学习结构，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出，基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
系统地论述了神经网络的基本原理、方法、技术和应用，主要内容包括：神经信息处理的基本原理、感知器、反向传播网络、自组织网络、递归网络、径向基函数网络、核函数方法、神经网络集成、模糊神经网络、概率神经网络、脉冲耦合神经网络、神经场理论、神经元集群以及神经计算机。
每章末附有习题，书末附有详细的参考文献。神经网络是通过对人脑或生物神经网络的抽象和建模，研究非程序的、适应性的、大脑风格的信息处理的本质和能力。
它以脑科学和认知神经科学的研究成果为基础，拓展智能信息处理的方法，为解决复杂问题和智能控制提供有效的途径，是智能科学和计算智能的重要部分。
脉冲神经网络的历史
AlanLloydHodgkin和AndrewHuxley在1952年提出了第一个脉冲神经网络模型，这个模型描述了动作电位是怎样产生并传播的。
但是，脉冲并不是在神经元之间直接传播的，它需要在突触间隙间交换一种叫“神经递质”的化学物质。这种生物体的复杂性和可变性导致了许多不同的神经元模型。
从信息论的观点来看，找到一种可以解释脉冲，也就是动作电位的模型是个问题。所以，神经科学的一个基本问题就是确定神经元是否通过时间编码来交流。时间编码表明单一的神经元可以取代上百个S型隐藏层节点。
pcnn 的全名是什么？
脉冲耦合神经网络（PCNN-PulseCoupledNeuralNetwork）与传统神经网络相比，有着根本的不同。
PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。
PCNN是Eckhorn于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化神经网络模型，与BP神经网络和Kohonen神经网络相比，PCNN不需要学习或者训练，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础。
需要的话我这边有资料~~。
神经网络到底有什么作用，具体是用来干什么的？
。
神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionModel），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络可以用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。
随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。
脉冲耦合神经网络被称为第三代神经网络，那么第一代和第二代分别是什么？
如何评价浙大研制出国内首款支持脉冲神经网络的类脑芯片
第一，并没有太多的创新性。且不说国际上早有‘SNN（spikingneuralnetwork）’芯片，仅在国内，是不是国内首例都不好说，据我所知，清华也有课题组在做类似的芯片。
第二，在功能上没有大的突破。看浙大官方的新闻，该芯片“实现”的功能是“手写数字的识别和脑电波的解码”。业内人士应该都知道，这两项功能是机器学习领域已经玩儿烂的了，和SNN几乎没有一毛钱的关系。
第三，在算法上没有大的突破。具体的算法没有报道，但新闻上说，“最多可支持2048个神经元、400多万个神经突触及15个不同的突触延迟。
”我一看这神经元和突触比例吓一跳，原来是做了一个全连接的网络啊……并没有什么真实神经网络的算法引进。
而在制作工艺上，本研究采用传统的CMOS工艺，显然和IBM的研究不在一个时代（TrueNorth芯片里的神经元是百万级的）。