20、自适应认知时间因果网络模型与盲点感知填充研究

自适应认知时间因果网络模型与盲点感知填充研究

1. 自适应认知时间因果网络模型

在自适应认知时间因果网络模型中，涉及到一系列的方程来描述状态的变化。

首先是关于状态 $Y$ 的方程：
差分方程为：$Y(t + \Delta t) = Y(t) + g_Y [aggimpactY(t) - Y(t)]\Delta t$
微分方程为：$\frac{dY(t)}{dt} = g_Y [aggimpactY(t) - Y(t)]$

对于状态 $Y$ 的组合函数 $c_Y$，根据不同情况使用不同的函数：
- 当状态仅受另一个状态影响时，使用恒等函数 $id(V) = V$。
- 当状态受多个影响时，使用缩放和函数 $ssum_k(V_1, \cdots, V_k) = \frac{V_1 + \cdots + V_k}{k}$，以及高级逻辑和函数 $alogistic_{r,s}(V_1, \cdots, V_k) = \frac{1}{1 + e^{-r(V_1 + \cdots + V_k - s)}} - \frac{1}{1 + e^{rs}} \times (1 + e^{-rs})$。

Hebbian学习规则也被应用于模型中，对于状态 $X_1$ 和 $X_2$ 之间连接强度 $x$ 的调整，有如下规则：
微分方程形式：$\frac{dx(t)}{dt} = g [X_1(t) X_2(t) (1 - x(t)) - (1 - \lambda)x(t)]$
差分方程形式：$x(t + \Delta t) = x(t) + g [X_1(t) X_2(t) (1 - x(t)) - (1 - \lam