具有时间编码的监督学习的目的是使神经元尖峰化,以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来,基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一,远程监督方法(ReSuMe)使用常规的基于对的峰值定时依赖的可塑性规则,该规则取决于突触前和突触后峰值的精确定时。 在本文中,使用了基于三重态的依赖于尖峰时序的可塑性,它是一种强大的突触可塑性规则,其作用超出了经典规则,提出了一种新颖的监督学习算法,称为T-ReSuMe,以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务,其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明,与传统的ReSuMe算法相比,T-ReSuMe算法具有更高的学习精度和更少的迭代次数,对于解决复杂的时空模式学习问题是有效的。