基于Hebb理论的BP网络改进算法

应用 Hebb理论 ,用生物神经元的生理基础指导 BP网络的设计 。

一种基于Hebb理论和PCA的图像压缩算法

监督学习在模式分类中是一种常见的学习方式,它需要利用带标签的样本来调整分类器的参数才能够实现正确的分类。但在实际应用中,带标签训练样本的获取可能会受到较大地限制,有时甚至不易获取。因此,只需要无类标样本的无监督学习方式逐渐成为研究的热点。本文结合Hebb学习理论和主分量分析,采用机器学习中的无监督学习方式实现了数字图像的高效压缩。实验结果表明,文中算法能够较好地实现数字图像的压缩,具有一定的实际应用价值。

用 Hebb 思想改进 BP 算法

应用Ｈｅｂｂ理论，用生物神经元的生理基础指导神经网络的设计，并给出了训练方法与实验结论．

神经网络方法在洞室施工期应力及变形预测中的应用及其改进

在有限元法计算结果的基础上,用神经网络方法对洞室施工期应力及变形进行预测。对BP神经网络算法进行了适当的改进,并提出了几种新的改进方法,得到了良好的效果。所得的结论具有较高的拟合精度,并有实用价值。

基于新型神经元模型上的突触可塑性建模

提出的一种新型神经元模型,利用EricRKandel的工作成果,抓住神经递质调节突触活动过程的主要特征,在较微观的层次上,抽象出了突触可塑性模型,该模型包含了EricRKandel和他的同事所总结的神经递质信号调节突触的后3种方式,它可以和新型神经元模型结合起来,可以对突触连接权值函数进行修饰.最后对可塑性模型的计算复杂性作了简单的说明,并讨论了该可塑性模型与Hebb理论和STDP的不同之处.