A survey on learning models of spiking neural membrane systems and spiking neural networks

脉冲神经网络（SNN）是一种受生物启发的神经网络模型，具有某些类似于大脑的特性。在过去的几十年中，由于深度学习的成功现象，这种模型在计算机科学界引起了越来越多的关注。在SNN中，神经元之间的通信是通过脉冲和脉冲列进行的。这使得这些模型与“标准”的人工神经网络（ANN）不同，后者将脉冲频率替换为实值信号。脉冲神经P系统（SNPS）可以被认为是基于形式自动机原理的SNN分支，在膜计算理论框架内开发了许多变体。本文首先简要比较了SNN和SNPS的结构和功能、优缺点。文章的关键部分是对SNN和SNPS形式化的机器学习和深度学习模型的最新结果和应用的调查。

本文比较了脉冲神经网络（SNN）和脉冲神经P系统（SNPS）的结构、功能、优缺点，并对SNN和SNPS的机器学习和深度学习模型的最新结果和应用进行了调查。

本文介绍了SNN和SNPS的基本原理和区别，并探讨了它们在机器学习和深度学习中的应用。本文还介绍了SNN和SNPS的优点和缺点，以及它们的结构和功能。

本文调查了SNN和SNPS在机器学习和深度学习中的应用，包括分类、回归、图像处理、语音识别、自然语言处理等。本文还介绍了SNN和SNPS的优点和缺点，以及它们的结构和功能。实验使用了多个数据集，并提供了开源代码。

最近的相关研究包括“Spiking Neural Networks for Deep Learning: A Survey”、“Deep Learning with Spiking Neural Networks: A Review”、“Spiking Neural Networks: Principles and Challenges”等。