neuralnetworksandfuzzysystemschapter

neuralnetworksandfuzzysystemschapter内容摘要：

，则第 个突触连接被抑制 ：是单调非减函数，其作用就是把激励或膜电位 转化为有界信号    xyi j i j i i j jm m s x s y      i j i j i i j jm m s x s y   0ijm 0ijm  ijij()isix  iisx2020/11/29 16 确定性的竞争学习 （ Grossberg， 1969） 用是竞争信号调整 ‘ 信号 突触 ’ 的差分，即： 若 ，则输出神经元场 中的第 个神经元赢得竞争； 若 ，则输出神经元场 中的第 个神经元输掉竞争。    ij j j i i i jm s y s x m    11 jjj cysye ( 0)c  1jjsy  YFjjYF  0jjsy 2020/11/29 17 确定性的竞争学习 （ Grossberg， 1969） 竞争可以归结为 最近邻模式匹配的问题。 是一个度量指示器函数。            1 , m in ,0 , m in ,jkkjjjkkd S X m d S X mSyd S X m d S X m   jjSy2020/11/29 18 确定性的竞争学习 （ Grossberg， 1969） 实际中， 是线线性的，即， 输入模式矢量 就代表了神经元场 中的输出。 此时，竞争学习准则就成为 线性竞争学习准则：  i i iS x xXFXFX j i i jm S y X m  2020/11/29 19 确定性的微分 Hebbian学习 （ Kosko， 1988） 学习准则 信号速度： 虽然信号可能是非负的，但是速度则可正可负        i j i ji j i i j j i jm m S x S y S x S y       39。 ii iiiiid S x d S d x Sxd t d x d t2020/11/29 20 确定性的微分竞争学习 学习法则： 微分竞争，只有改变了才学习，速度 使局部奖惩强化。 线性微分竞争学习法则 ：    i j j j i i i jm S y S x m  jS ij j j ijm S y X m  2020/11/29 21 三．概率空间和随机过程 随机过程是随机变量族的序列，更一般的讲，是随机矢量族的序列（即多维随机矢量）。 随机过程也是有序号的随机变量，不同序号的集合定义了不同的随机过程。 一个有限序号集定义了一个 随机矢量 ，如 一个有限可数的序号集定义了一个 随机。