11、神经网络与贝叶斯方法在认知建模中的应用探索

神经网络与贝叶斯方法在认知建模中的应用探索

在神经科学和认知科学的研究领域，科学家们不断探索新的理论和模型来解释大脑的工作机制。其中，Stephen Grossberg的一系列研究成果以及基于贝叶斯方法的认知建模都为我们理解大脑的信息处理过程提供了重要的视角。

1. 层计算的发展历程

Stephen Grossberg从1958年作为本科生时就开始推导神经网络学习方程。后来在洛克菲勒大学攻读博士期间，他对非线性动力学学习方程展开研究。在20世纪60年代末和70年代初，他持续研究细胞网络在中心兴奋 - 周围抑制解剖结构中的非线性动力学。

• 从中心兴奋 - 周围抑制网络到分流网络

  • 20世纪60年代末的实验研究表明，细胞以中心兴奋 - 周围抑制的解剖结构排列。Grossberg基于此构建了中心兴奋 - 周围抑制网络方程，该方程能够解决神经网络中的噪声 - 饱和困境。当输入过小时，可能会被噪声淹没；输入过大时，会使所有可兴奋位点激活，导致系统饱和，对细胞间的输入差异不敏感。而中心兴奋 - 周围抑制网络中细胞间的竞争相互作用能自动调整其灵敏度，克服饱和问题。
  • 该网络的一个关键特性是归一化特性或分流效应。在神经环境中，竞争相互作用就是分流相互作用，周围抑制信号会自动抑制或分流网络，实现网络总活动的自归一化。后来，中心兴奋 - 周围抑制网络也被称为分流中心兴奋 - 周围抑制网络或分流合作 - 竞争反馈网络，并被重新表述为当前的分流网络，应用于短期记忆模型和许多与视觉处理建模相关的实验中。

• 从