1.一种面向多脉冲神经网络监督学习的精确突触调整方法，其特征在于，包括如下步骤：步骤1：利用LIF神经元对膜电压与突触电流进行仿真计算在LIF神经元电路中，当电流I不断增大时，电容C两极的电压会冲破阈值Vth，此时会激发一个脉冲信号传递给下一层神经元；电路总电流的公式为：将时间设为一个常数T，并且令T＝RC，上述式子变形为：当电压在t＝tf时达到阈值Vth，产生一个脉冲激励；在此之后，电压会被迅速重置为初始值，并开始新一轮的累计；重设电压的表达式为：此时，神经元膜电压的动态方程如下所示：

Vm是膜电压，E是复位电压，Ins是环境噪声电流，Isyn是突出输入电流，Rm是膜电阻；当Vm超过阈值Vth，该神经元就会放出脉冲，同时电压回归E；

步骤2：基于W-H规则进行突触权值调整

SNN神经元产生的脉冲有序数列S＝{tf:f＝1,…F}，表示为：f

δ(x)表示Dirac delta函数，若x＝0时，δ(x)＝1，否则δ(x)＝0；t是第f个脉冲产生的时间；SNN学习算法针对原始信号给出的多个输入脉冲序列Si(t)及预先设定的多个目标脉冲序列Sd(t)，学习得到合适的SNN突触权值矩阵w，使神经元实际输出脉冲序列So(t)与Sd(t)尽可能接近；

基于W-H规则的权值误差计算如下：

突触后神经元在时间T内所获取的输入电流Isyn：其中，wi代表时间T内第i个输入神经元的权重， 则是不加权重的第i个输入神经元的突触后电流大小：H(x)是Heaviside函数，当x<0时其值为0，当x＝0时其值为0.5，当x>0时其值为1；

是PSP的归一化表达式：

权值误差的微分原始定义为：

由此推导出△wi与突触后电流 的关系；定义输入脉冲序列Si(t)，实际输出脉冲序列So(t)和期望输出脉冲序列Sd(t)的表达式：其中，F1，F2，F3表示脉冲序列的最大个数；利用微积分定理得到△wi与实际输出脉冲序列So(t)、期望输出脉冲序列Sd(t)及突触后电流 的关系如下：将式子展开得到△wi的最终形式：

步骤3：利用SRM神经元实现膜电压阈值动态计算利用SRM神经元模型实现膜电压阈值动态调整，SRM神经元模型的仿真公式为：其中，wi表示突触权值， 是突触后电势，Viext是外部刺激电压； 表示PSP达到阈值后产生不应期并重置为初始值的过程；将输出神经元在目标脉冲输出时间td的电压表示为 并且希望此函数值等于或高于阈值电压Vth；但在一开始的训练过程中，神经元电位在实际脉冲输出时间to时的电压 才会大于等于阈值电压；因此将当前阈值电压的计算公式设为：令 为前一次迭代后的阈值电压，则当前阈值电压的改变量为：∑ηi(to-td)和Vext都是常数，对 关于wi求导可得：则△vth(to)化简成：