1、手寫數(shù)字識別技術是利用計算機自動辨認手寫阿拉伯數(shù)字的方法，通常是文獻檢索、辦公自動化、郵件分揀、銀行票據(jù)處理等系統(tǒng)的核心和關鍵。由于識別對象特有的復雜性，現(xiàn)有方法停留在一般的模式識別階段，并沒有很好利用知識進行啟發(fā)誘導，也沒能模擬人腦思維過程。為此探討一種利用類腦結構解決手寫數(shù)字識別的方法具有重大的現(xiàn)實意義。
　　液體狀態(tài)機（liquid state machine，LSM）作為一種典型的類腦模型，為解決手寫數(shù)字識別問題打開了新思

2、路，其儲備池結構作為關鍵處理單元，直接影響模型的精度。由此本文圍繞手寫數(shù)字識別問題，從仿生網(wǎng)絡的基本特征多簇和自組織特性出發(fā)對液體狀態(tài)機進行了改進，構建了自組織分簇和分簇自組織網(wǎng)絡。
　　自組織分簇網(wǎng)絡是利用周期性的電流輸入，神經(jīng)元的放電頻率可控，在對稱放電時間依賴的突觸可塑性（spike-timing-dependent plasticity，STDP）學習機制下，相鄰神經(jīng)元接收相同信號的連接會不斷加強，進而出現(xiàn)分簇特征；分簇自

3、組織網(wǎng)絡是利用基于時間窗的皮質層生成算法構建多簇的拓撲結構，在此基礎上利用非對稱STDP學習定義神經(jīng)元之間的連接強度。由于腦網(wǎng)絡的結構功能與其動力學密切相關，本文對兩種網(wǎng)絡都進行了動力學分析，表明構建網(wǎng)絡的優(yōu)越性，并對兩種基本的放電模式（峰放電和簇放電）自組織演化形成的分簇結構也進行了研究。并利用分簇自組織網(wǎng)絡優(yōu)化儲備池結構，引入信號重構問題確定液體狀態(tài)機各參數(shù)的大小，建立改進的液體狀態(tài)機模型。
　　最后利用美國郵政數(shù)據(jù) MNIS

4、T數(shù)據(jù)庫作為數(shù)據(jù)來源，將手寫數(shù)字圖片輸入轉換為一系列的脈沖輸入，利用信號重構的思想，分別訓練每個輸出神經(jīng)元的連接權值，最終得到識別結果。為了節(jié)約計算成本，降低能耗，對圖片進行了歸一化處理。本方法作為液體狀態(tài)機在手寫數(shù)字識別任務的首次嘗試比2013年Mass提出的用SNN來解決手寫數(shù)字識別問題具有更明顯的優(yōu)勢。用LSM實現(xiàn)手寫數(shù)字識別關鍵在于脈沖序列的分類，最后從一個脈沖序列四分類任務中可以看出本方法還有很大的優(yōu)化空間，對手寫數(shù)字識別問題