基于小世界体系的投影学习联想记忆模型研究

联想记忆是神经网络的重要应用之一,传统Hopfield网络所用的外积法限制了输入向量的模式,降低了网络的联想性能,而且全互连的结构增加了网络的复杂性,不符合神经生物学观点。针对这些问题,提出一种新型的小世界联想记忆模型,用局部的规则连接和稀疏的长程连接取代全互连结构,降低网络的复杂性,同时引入投影学习规则来提高网络的回忆能力和抗噪能力。通过matlab软件对该模型模拟仿真,并与其他模型进行比较,结果表明,该模型在有效降低网络复杂度的情况下,保持了良好的回忆性能。

脉冲神经元环路振荡发放与环路选择

在Izhikevich提出的脉冲神经元模型中,引入随机变化的输入电流,使神经元的脉冲发放具有随机性,不同数量的神经元采用连接权值组成网络的脉冲发放。实验结果表明,选择适当的连接权值可以得到环路的持续振荡发放。通过脉冲发放,可以在网络中选择神经环路,完成环路记忆联想过程,并给出研究脉冲神经智能的新思路。