带有隐含神经元的单层神经网络模型

提出了一种带有隐含神经元的单层神经网络模型。把网络的记忆容量区分为信息记忆容量和物理记忆容量。新模型能记忆相关图样,其信息容量α_i(最大记忆图样数/表达神经元数)首次超过了1。所作出的计算机模拟结果,表明了理论分析的正确性,证实了由5×5个显神经元组成的点阵能记住包含26个英文字母和4个任选图样的30个图样,因此该模型为神经网络的广泛应用提供了一条重要途径。     

人类视觉系统超视锐度现象的神经网络数学模型研究

超视锐度是人们熟知的奇特现象,虽然许多视觉研究领域中的专家们对此做了大量的研究,但视觉系统究竟是如何提取超视锐度信息的却仍然是个未解决的问题.本文用简单细胞广义Gabor函数为基本功能单元,以Marr提出的计算理论为框架,建立了一个感受野重叠的,具有比较运算性质的、可解释超视锐度现象的神经网络数学模型.它在空间比较,真实运动和似动三方面较好地描述了已有的一些有关超视锐度现象的心理物理实验结果.     

厌氧消化过程的非模型控制

对废水淤泥的厌氧消化处理过程进行了研究．提出了一种基于神经网络的非模型控制方法。多变量控制系统的操作变量为供热量和进水量．被控变量为消化温度和消化污泥排出浓度。证明了控制算法的收敛性。讨论了控制系统的稳定性。仿真结果证实了非模型控制方法的有效性。该方法无需对象的模型．为复杂生化过程的控制提供了一种新途径。     

人工控制生物神经网络形成研究的进展

1 人工控制生物神经网络形成研究的意义早在1904年Cajal提出的神经元学说就奠定了生物神经网络(BNN)的理论基础。近十年来在人工神经网络(ANN)研究的推动下,BNN受到了日益广泛的重视。从神经网络研究的历史来看,ANN和BNN的研究是相互促进的,1949年Hebb就提出神经元之间突触联系强度的可变性,并给出了突触的学习规则。他的天才预见直到1973年才由Bliss在高等动物记忆中枢(海马)的神经元实验中得到证实,目前,ANN的研究正处于应用的大发展阶段。但ANN的理论研究(如模型,学习算法)则处于相对停滞状态,这种状态在短     

具有节点偏置的高阶神经网络模型

在汪涛文献基础上提出了一个具有节点偏置的高阶神经网络模型、给出了模型的哈密顿量和学习算法,证明了学习算法的收敛性,该模型能对每一神经元自动引入一个节点偏置使得网络能够存储所有学习图样包括相关图样,其存储容量远高于Hebb—rule—like学习算法下的高阶神经网络模型.对由30个神经元组成的二阶神经网络进行了计算机仿真,结果证实了上述结论.此外,对初始突触强度对学习效果的影响和不同存储图样数目下的平均吸引半径进行了仿真计算并分析了所得结果.新模型的特点使其具有良好的应用前景     

采用Reichardt运动检测器和Boltzmann Machine神经网络的运动计算

建立了一个探讨灵长类视皮层从Ｖ１区到ＭＴ区的运动信息加工原理的计算模型,这个过程的突出特征是视觉运动信息经过了从局部检测进步到整体感知。模型的第一层由用于抽提运动模式的局部速度以及结构性质的Ｒｅｉｃｈａｒｄｔ运动检测器组成,进一步的加工是通过Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ神经网络来实现的。这种网络的学习算法具有局部更新的显著性质,在学习阶段,网络不断地修改联结权重以形成对于记录在网络的显单元上     

具有竞争指针的短时记忆神经网络模型

在我们以前提出的短时记忆神经网络模型基础上［３］,我们在新模型中引入突触竞争机制,提出了一个新的短时记忆神经网络模型。模型仍由两个神经网络所组成;其一为与长时记忆共有的信息内容表达网络,另一个为指针神经元环路。由于表达区神经元与指针神经元间的突触权重的竞争,使得模型可以表现出由干扰引起的短时记忆的遗忘。相应于自由回忆序列位置效应和汉字组块两个心理学实验,对模型做了计算机仿真。仿真结果显示模型的行为与两个心理实验定量地符合得很好。由此表明现在的模型更合适于作为短时记忆的模型。     

动态神经网络中的同步振荡

目前有一种假设认为同一视觉对象是由一群神经元的同步振荡活动来表征的。这一神经元发放活动的时间特性,是解决视觉信息处理中“结合问题（Ｂｉｎｄｉｎｇｐｒｏｂｌｅｍ）”的可能机制。本文用我们所提出的一种简化现实性神经网络模型［１］所构造的时滞非线性振子网络［２］,模拟生物神经网络的同步振荡活动。并考虑了振子各参数的设置与振荡活动的关系,以及网络振子间耦联对同步活动的影响．     

耳蜗核神经元的简化现实性模型

采用我们以前提出的简化现实性神经网络模型［１］的一种修正形式,通过选定适当的参数,仿真了耳蜗核的类初级细胞（Ｐｒｉｍａｒｙ－ｌｉｋｅｃｅｌｌ）,梳状反应细胞（Ｃｈｏｐｐｅｒｒｅｓｐｏｎｓｅｃｅｌｌ）以及给刺激反应细胞（Ｏｎｓｅｔｒｅｓｐｏｎｓｅｃｅｌｌ）对短纯青刺激的刺激后时间直方图。并通过分析参数配置和仿真行为的对应关系,指出模型在生理学上的合理性。     

条件联想神经网络研究

在人脑的某些功能和神经系统中的突前抑制机制启发下,本文提出一个新型的神经网络模型——条件联想神经网络.模型是一个有突触前抑制的联想记忆神经网络.通过初步分析和计算机模拟,证明本模型具有一般联想记忆模型所未有的一些新的特性,如可以在不同条件下,对同一输入有不同的反应.对同一输入,在不同的条件下,又可以有相同的反应.这些特点将有助于人们对神经系统中信息处理过程的了解.此外,文中也指出可能实现本模型的神经结构.