در این پایان نامه از مدل بهبود یافته¬ی نورون izhikevich در جهت کاهش سخت¬افزار لازم برای توصیف سخت افزاری استفاده شده است. به کمک این مدل، یک شبکه¬ دو لایه از نورون¬های عصبی پالسی به صورت سخت¬افزاری توصیف شده و آموزش داده می¬شود. الگوریتم آموزش شبکه نیز مانند نورون¬ها به صورت سخت¬افزاری توصیف شده است که باعث می¬شود فرآیند آموزش شبکه در سطح سخت¬افزار قابل انجام باشد. برای آموزش شبکه الگوریتمی مورد استفاده قرار گرفته که در واقع ترکیبی از الگوریتم¬ stdp و الگوریتم پس¬انتشار است. الگوریتم stdp مناسب برای شبکه¬های عصبی پالسی است و الگوریتمی بدون ناظر است. الگوریتم پس¬انتشار مربوط به شبکه¬های عصبی سنتی است و با ناظر است. در این پایان¬نامه با ترکیب مناسبی از این دو الگوریتم، روشی پیاده شده است که دقت بالا و همگرایی بسیار خوبی در فرآیند آموزش شبکه دارد. سپس شبکه برای شناسایی سه نوع گل نیلوفر از روی یک سری مشخصات گل¬ها یعنی طول و عرض گلبرگ و کاسبرگ، آموزش داده شده و دقت آن در شناسایی گل¬ها بررسی می¬¬شود. در نهایت شبکه را سنتز کرده و حجم سخت¬افزار مصرفی بدست آورده شده است. همان¬طور که مشاهده خواهد شد در عین حال که شبکه قدرت تشخیص بالایی دارد، به سخت¬افزار نسبتا کمی جهت توصیف سختافزاری بر روی تراشه¬های fpga نیاز دارد.