读《a neural network model of memory and higher cognition functions》
本文介绍一种名为R-nets的神经网络模型，R-nets网络模型相对于传统网络模型而言的优势在于信息的处理能力更强，且更符合生物学上神经系统的运行方式。网络中的学习和回忆算法不需要设定临界值，也不需要对其突触强度进行分级，他们是独立于网络结构的。R-nets模型中，excitatory神经元的作用非常突出，其相对间的连接能使得这一区域能控制信息的记忆，并能模拟许多的心理现象，包括记忆的再加工、对未来事件的预测等。R-nets中的excitatory间的连接是被忽略的，他随机映射到一个相对小数量的抑制神经元。
c-nets网络中有多个R-nets，每个R-nets由4000个excitatory神经元组成，每20个神经元都映射到一个抑制神经元上，由800个抑制神经元；每100个抑制神经元都映射到一个抑制神经元身上。之所以将c-nets设计成这样，是根据生物神经网络原理决定的。在生物中，特别是在人类神经网络中，细胞有原则细胞，而且数量极其庞大，这些细胞中就存在着抑制神经元，抑制神经元又存在excitatory神经元。
5
读《a link between neuroscience and informatics : Large-scale modeling of memory process》。
本文主要介绍两种研究人类认知过程，特别是研究记忆过程的两种技术：神经成像技术和计算机神经模拟技术。计算机模拟已经广泛应用在检测记忆的功能上。这种模型模拟生物学的认知过程方面是很相似的，但其在神经基质的研究还不是很具体。本文提出了两种神经网络模型：（1）单bistable神经元的synfire串多层前馈网络，他形成一个闭环，bistable神经元在高低激励比间稳定转化，产生持续活动，其活动独立于突触连接。Synfire主要作用于短期记忆开发上。（2）周期网络，他是使得更多学习系统产生持续活动，一个周期连接神经元的动力集被反馈到网络，成为附加输入，引起网络在没有进一步输入时描绘吸引态。周期网络应用于保持短期表示，如空间记忆、物体记忆、任务要求记忆等。
6
读《a tutorial on computational cognition neuroscience :modeling the neurodynamics of cognition》
本文介绍一种模拟认知中神经动力学的网络模型，计算机认知神经科学（CNN）模型。为什么要使用CNN呢？因为CNN模型能增加行为模型的数量，能取得在神经科学数据中不能显示的不相关行为的关系，可以研究神经科学中的行为预测。
CNN有四个理想原则：（1）理想的神经科学——CNN模型不应使用任何假设。（2）简易启发——在模型中没有任何附加的神经科学解释，除非模型在没有这个解释时无法产生功能。（3）不再变化理论——网络结构和每一个个体单元模型应保持固定。（4）理想的拟合度——CNN模型应提供好的关于行为数据的解释，至少在一些神经科学数据方面。神经科学的理想化假设使得putational神经科学和CNN模型的关系得到确定化。在CNN模型中，没有生物结构的细节，但也正是由此，CNN模型得到了简化，低水平的数据常常解释为在CNN模型的单细胞来记录。
7
读《artificial neural network-------a review of application in the atmospheric science》
多层感知器其由一个简单连接的神经元组成，他是模拟输入矢量和输出矢量间流向，他是前馈神经网络。输入层没有计算机规则，仅仅服务于将输入矢量引入网络，多层感知器由一个或多个隐藏层和一个输出层。其有能力通过训练来学习；训练需要一套训练数据，这些数据由一系列输入和相关输出矢量组成，其学习方式为有导师方式。多层感知器使用一种名为backdropagation算法来计算网络的集体强度，该网络应用于预测、函数近似和模式分类等方面。本文讲述的是将多层感知器应用在大气科学中，其主要应用在空气质量预测。具体有预测磁化碳、臭氧层空洞、极端天气、太阳辐射、大气层污染散布等。
8
相关推荐：
loading