脉冲神经网络受生物大脑结构与计算模式所启发,基于离散稀疏的脉冲信号实现异步计算模式与信息传递,能够被部署在专用神经形态芯片上以极低功耗运行,具有实现高效智能计算的潜力。然而由于专用神经形态硬件芯片在计算以及存储等方面的资源有限,对于需要被部署在其上的脉冲神经网络算法和模型的数值精度、计算模式都有一定要求。为了降低脉冲神经网络算法和模型在硬件上部署的难度,适应硬件芯片的实时应用场景,本文从脉冲神经网络的网络压缩和在线学习算法这两个方面展开了研究。首先,由于目前大多数的脉冲神经网络权重都为高精度浮点数,这导致网络模型在硬件部署时会占据大量的存储资源。针对这一问题,本文提出了权重-阈值平衡网络转换算法,得到了具有二值权重连接的脉冲神经网络,显著降低了存储资源消耗量,实现了脉冲神经网络的压缩。此外,目前通常会在神经形态芯片上部署在线学习算法,以在实际场景中完成实时学习。但是多数在线学习算法难以完成复杂的时空数据学习任务,而能够完成这一任务的脉冲神经网络算法又往往不具有实时学习功能。因此,为了完成实时应用场景中的复杂时空数据学习任务,实现更能满足硬件约束条件、更具有生物可解释性的学习算法,本文提出了非对称时空在线学习算法,该算法在图像和声音数据集上取得的识别性能与最新的脉冲神经网络离线学习算法相当,优于已有在线学习算法。具体而言,本文的主要研究内容及贡献如下:·权重-阈值平衡网络转换算法:针对高精度权重连接的脉冲神经网络模型在硬件部署时会耗费大量存储资源的问题,本文研究了现有网络转换算法的转换过程,分析了经转换得到的脉冲神经元的权重和阈值之间的约束关系,并基于此约束关系,提出了权重-阈值平衡网络转换算法。权重-阈值平衡网络转换算法能够通过改变脉冲神经元的阈值数值存储精度,将原本的高精度权重数值缩放为低精度,从而有效地获得了具有二值权重连接的脉冲神经网络,显著降低了存储资源消耗量,实现脉冲神经网络的压缩。实验结果表明,相比于高精度权重连接的脉冲神经网络,二值权重连接的脉冲神经网络最多可以节省86%的存储资源。在MNIST、CIFAR-10和CIFAR-100数据集上,二值脉冲神经网络的最佳分类精度分别为99.43%,90.19%和62.02%,达到了与最新的高精度脉冲神经网络相当的性能。此外,在具有同样网络结构的前提下,与高精度权重连接的脉冲神经网络相比,二值连接的脉冲神经网络收敛性更好。·非对称时空在线学习算法:目前多数的脉冲神经网络在线学习算法通常应用在小数据集上,同时难以学习具有复杂时空特征的输入数据流。而现有的高效脉冲神经网络时空学习算法往往不具有在线学习功能,且其网络反向更新权重过程中所需的精确对称约束不仅难以在硬件上实现,也不具有生物可行性。因此,为了高效完成实时场景中的复杂时空数据学习任务,同时降低算法的硬件实现难度,提高生物可行性,本文提出了非对称时空在线学习算法,用于实时训练多层脉冲神经网络。该算法的突触权重更新仅与突触前后脉冲神经元的内部状态有关,在无需精确对称的权重反向传播前提下,仅需迭代更新脉冲神经元的内部变量就可以有效学习输入数据的时空特征。该算法在基于频率编码的MNIST图像数据集和基于时间编码的MedleyDB乐器数据集上的分类精度分别达到了 98.23%和95.38%,其性能优于已有的在线学习算法,可与最新离线学习算法相媲美。此外,本文还探索了算法超参数τ、θ、c对性能的影响,实验结果表明,脉冲神经元的阈值θ越小时,算法性能越好。