声明
致谢
摘要
1 绪论
1.1 生物神经系统基础
1.1.1 生物神经系统基本单元与网络构成
1.1.2 生物神经编码方式:基于放电率和基于放电尖峰
1.1.3 神经系统的信息表示与自稳
1.2 神经系统协同学习的概念
1.2.1 神经连接的突触可塑性
1.2.2 神经元内在可塑性
1.2.3 突触可塑性与内在可塑性的协同
1.3 本文研究线路与结构安排
1.4 本文主要贡献
2 神经网络中的突触可塑性
2.1 引言:生物神经突触可塑性与人工神经网络权重学习
2.2 神经科学中的突触可塑性规则
2.2.1 基于放电率的规则:Hebb,Oja和BCM规则
2.2.2 基于动作电位的规则:spike-timing-dependent plasticity
2.2.3 统一的突触可塑性规则:Calcium-dependent plasticity
2.2.4 反Hebb规则
2.2.5 突触归一化
2.2.6 结构可塑性与稀疏神经网络连接
2.2.7 突触可塑性与自稳
2.3 人工神经网络机器学习方法中的权重调整算法
2.4 小世界神经振子网络SWON:自稳和信惠表示
2.4.1 SWON神经元模型
2.4.2 SWON网络结构
2.4.3 SWON实验结果
2.5 本章小结
3 神经元内在可塑性
3.1 引言:信息最大化与维持茸稳的局部机制
3.2 内在可塑性神经生理学实验现象
3.3 神经元内在可塑性规则
3.3.1 基于放电率神经元模型的内在可塑性规则
3.3.2 基于放电尖峰神经元模型的内在可塑性规则
3.4 IF神经元模型基于放电尖峰的内在可塑性学习规则
3.4.1 Li内在可塑性规则的分析
3.4.2 IF神经元模型
3.4.3 IF神经元模型激活函数
3.4.4 基于尖峰的内在可塑性规则
3.4.5 可塑性规则理论分析
3.4.6 仿真结果
3.5 本章小结
4 计算神经建模中的协同学习方法
4.1 引言:突触可塑性和内在可塑性协同
4.2 神经建模中的协同学习
4.2.1 神经输入有效编码l稀疏编码,独立成分分析,自组织映射
4.2.2 神经系统中的自激神经活动
4.2.3 神经系统中的信号传输
4.3 建模复杂生物实验现象
4.3.1 视觉系统神经生理学实验
4.3.2 建模实验结果的协同学习模型
4.4 本章小结
5 机器学习中的协同学习方法
5.1 引言:从神经建模到机器学习
5.2 基于信患论的协同学习
5.2.1 信息最大化算法作为内在可塑性规则
5.2.2 误差熵最小化算法作为突触可塑性规则
5.2.3 信息论协同学习算法
5.2.4 信息论协同学习的稳定性分析
5.2.5 前馈神经网络结构
5.2.6 前馈神经网络协同学习算法
5.2.7 递归神经网络结构
5.2.8 递归神经网络协同学习算法
5.3 信息论协同学习仿真结果
5.3.1 前馈神经网络仿真结果
5.3.2 递归神经网络仿真结果
5.4 深度神经网络中的激活函数
5.5 本章小节
6 总结与展望
参考文献
作者简历与科研成果