يُعتبر الشبكة العصبية المُنْبَجِسة (SNN) أكثر واقعية بيولوجيًا وكفاءة في استهلاك الطاقة، حيث يُقلّد آلية العمل الأساسية للدماغ البشري. في الآونة الأخيرة، حققت خوارزميات التعلم القائمة على التراجع التدريجي (BP) للشبكات العصبية المُنْبَجِسة، والتي تعتمد على إطارات تعلم عميق، أداءً مرضيًا. ومع ذلك، يُهمل جزئيًا مفهوم التفسير البيولوجي في هذه الخوارزميات القائمة على BP. وفي سبيل تحقيق شبكات عصبية منبجسة متماشية مع الأسس البيولوجية القائمة على BP، نأخذ بعين الاعتبار ثلاث خصائص في نمذجة الأنشطة النبضية: التعددية، والتكيف، والملاءمة (MAP). فيما يتعلق بالتعددية، نقترح نمط نبضات متعددة (MSP) يعتمد على نقل نبضات متعددة لتعزيز مقاومة النموذج في التكرار الزمني المنفصل. ولتحقيق التكيف، نستخدم التكيف التردد النبضي (SFA) ضمن إطار MSP لتقليل الأنشطة النبضية وتحسين الكفاءة. أما بالنسبة للملاءمة، فإننا نقترح توصيلًا عصبيًا قابلًا للتدريب من نوع تقوس (convolutional synapse) يُنمذج تيار استجابة النبضات، مما يعزز تنوع الخلايا العصبية المنبجسة ويُحسّن قدرتها على استخلاص السمات الزمنية. وحققت الشبكة العصبية المُقترحة أداءً تنافسيًا على مجموعتي بيانات مُحَوَّلة عصبيًا: N-MNIST وSHD. علاوةً على ذلك، تُظهر النتائج التجريبية أن الجوانب الثلاثة المُقترحة تُعدّ ذات أهمية كبيرة في تعزيز المقاومة التكرارية، وكفاءة النبضات، وفعالية استخلاص السمات الزمنية. في الخلاصة، تقدم هذه الدراسة مسارًا عمليًا لمحاكاة الأنشطة النبضية المستوحاة من الطبيعة، باستخدام المبادئ الثلاثة (MAP)، ما يفتح آفاقًا جديدة في مجال الحوسبة العصبية لدمج الخصائص البيولوجية داخل الشبكات العصبية المُنْبَجِسة.