脉冲神经膜系统(SNP)是一种受生物神经元以脉冲的方式传递信息的机制启发设计的神经计算模型,属于第三代人工神经网络。SNP应用潜力巨大,研究SNP的学习算法可以构建一个机制更加符合人脑模型的学习框架,但是将其应用在模式识别领域一直是一个未被完全解决的公开问题。本文以数值型脉冲神经网络为出发点,结合SNN中的成熟的学习算法、网络结构,以及马尔可夫决策过程的思想和强化学习方法,设计了两类数值型SNP学习模型。本文的模型发挥了SNP以脉冲传递信息和具备多规则选择的独特优势,具体内容如下:1.分析了影响SNP网络的学习能力的三大要素:脉冲编码、学习算法和神经网络结构。本文比较了几种脉冲编码方式的处理过程和优缺点,研究了STDP(Spike-Timing-Dependent Plasticity)无监督学习算法和强化学习算法的学习过程,并在传统SNP基础上引入了数值型脉冲神经膜系统的网络结构。2.给出了一种只包含单一规则的数值型脉冲神经膜系统的学习模型。该模型借鉴了传统SNN中常用的网络结构,如卷积、池化等;应用了一种改进的脉冲时间次序编码和STDP学习算法;同时结合了高斯差分滤波、Softmax分类器等图像处理和分类工具。实验结果表明该模型具备图像识别能力,与第二代神经网络相比,具有神经元数量少,脉冲稀疏等特点。3.给出了一类包含多规则的数值型脉冲神经膜系统的SNP学习模型。该模型引入了马尔可夫决策过程的思想,借鉴强化学习中Q-Learning的学习方法,使数值型SNP中的神经元具备学习选择规则策略的能力。分别针对离散状态和连续状态的情况设计了算法实现过程。实验结果表明,该模型具备解决非线性模型识别问题的能力,且单一神经元的计算能力强大,具备一定的开发潜力。本文共设计了MNIST数据集分类、异或问题分类、IRIS数据集setosa种类识别三个实验来分别验证上述两类学习模型的算法有效性。实验结果表明,这两类数值型脉冲神经膜系统的学习模型都具备模型识别能力。得益于脉冲神经膜系统使用脉冲编码表示信息和具备多条规则选择的特性,模型通常可以使用较少的神经元实现和第二代神经网络等同的识别效果。