本研究提出了一种新颖的脉冲变压器强化学习（STRL）算法，旨在解决传统变压器在自主系统中的能耗问题。该算法结合了脉冲神经网络的能效与强化学习的决策能力，显著优于传统方法，展示了生物启发的低成本机器学习模型在复杂决策中的潜力。

本研究提出了SpikeVideoFormer，一种高效的脉冲驱动视频变换器，采用汉明注意力和线性时间复杂度。该模型在视频分类、人类姿态跟踪和语义分割等任务中表现优越，显著提升了脉冲神经网络的能效和性能。

本研究提出了一种基于脉冲神经网络的SAEN-BGS背景减除技术，有效应对多种背景噪声，显著提升前景与背景的分离能力，实验结果优于多种基线方法。

本研究提出了一种新框架FSL-SNN，通过自特征提取和跨特征对比模块，提高了脉冲神经网络在小样本学习中的特征表示精度，并降低了能耗。实验结果表明，该框架在N-Omniglot数据集上的分类性能显著提升，且与人工神经网络在静态数据集上的表现相当。

本研究提出了一种低功耗在线适应框架，通过动态调整发射阈值，增强脉冲神经网络（SNNs）对分布变化的鲁棒性，具有重要的设计启示。

本研究提出了一种新颖的时间转换模块，有效解决了脉冲神经网络在处理时间特征与低能耗之间的矛盾，显著提高了效率和准确性。

本研究提出了两种概率驱动的时间脉冲变换方法，以解决脉冲神经网络中传统神经元建模的复杂性。这些方法在增强隐私性和学习性能的同时，保持了可扩展性。实验结果表明，这些时间动态提高了脉冲神经系统的生物合理性和泛化能力。

本研究提出了一种新的知识蒸馏方法——头尾关注的KL散度（HTA-KL），旨在缩小脉冲神经网络（SNN）与人工神经网络（ANN）之间的性能差距。该方法通过动态区分高低概率区域并分配适应性权重，提升知识转移的平衡性，最终在多个数据集上表现优于现有方法。

本研究分析了脉冲神经网络在序列建模中的记忆机制不足，提出了固定不应期脉冲神经网络架构，为生成稀疏脉冲模式提供了新的理论解释，对序列建模具有重要影响。

本研究提出了一种新颖的水下图像增强算法UIE-SNN，基于脉冲神经网络，能耗降低85%，同时保持图像清晰度，为海洋自主视觉导航提供技术支持。

本研究提出了一种新模型，通过全动态调节机制控制脉冲神经网络中的持久状态，以应对环境变化。该模型结合汉默模型与环状吸引子，能够根据输入调节活动峰位置，支持感知信念的模拟计算，具有广泛应用潜力。

本研究提出了一种基于时间差编码器（TDE）的低功耗嵌入式系统关键词检测方法。TDE网络在准确性和效率上优于其他脉冲神经网络，能够以更少的突触操作实现更高的检测精度。

本研究提出了一种双时域通道注意力机制(DTA)，旨在解决脉冲神经网络在时间信息利用方面的挑战。实验结果表明，DTA在静态和动态数据集上表现优异，增强了脉冲表示与时间通道关系的捕获能力。

本研究探讨了脉冲神经网络（SNN）与人工神经网络（ANN）转换中的性能损失问题。引入两相概率脉冲神经元（TPP），研究表明随机脉冲重排列能够提升SNN性能，实验证明其在多个数据集上表现优异。

本研究探讨了脉冲神经网络(SNN)的性能限制，提出将其视为共享架构和权重的时间子网络集。通过调整膜电位的初始分布和输出，增强了子网络的稳定性，并解决了时间梯度消失问题。在多个识别任务中，尤其是在CIFAR10-DVS数据集上，准确率达83.20%。

本研究提出了一种基于知识蒸馏的脉冲神经网络集成系统，旨在解决传统人工智能模型在能源受限应用中的高能耗问题。该系统通过自适应激活策略显著提高了能效，减少了计算需求，并在CIFAR-10数据集上仅有2%的准确率下降，展示了新的可行方向。

本研究分析了脉冲神经网络与视觉变换器的性能差距，提出了眼动脉冲自注意力机制，显著提升了SNN-ViT在视觉任务中的表现。