lemonade_117的博客

一篇读后感： 《人工智能的未来》的作者是Jeff Hawkins，也就是著名的PalmPilot掌上电脑和Treo智能电话的发明人，这牛人从小就对人工智能充满兴趣并孜孜追求，哪怕从事软件业也是为了自己的理想。就书的内容来说，很有意思。作者先批判了传统的人工智能的发展方向，并且断定传统的人工智能永远没办法造出能够与人脑相媲美的智能机器。因为想要真正地了解智能是什么，只有去研究人脑的智能，而...

https://www.jianshu.com/p/ed21207df806http://tieba.baidu.com/p/1165772818?pn=2Hierarchical Temporal Memory:https://www.numenta.com/neuroscience-research/research-publications/papers/hierarchical-...

随着近几年深度学习的迅速发展，人工智能成为了无论学术界还是互联网领域的一个重要的研究热点。然而，人类在认识世界和改造世界的过程中从自然界和生物特征汲取了大量的灵感和经验。追根溯源，人工智能的发展离不开脑科学的研究。历史上，神经科学和人工智能两个领域一直存在交叉，对生物脑更好的理解，将对智能机器的建造上起到及其重要的作用。脑科学是一门实践性很强的交叉学科，包含了神经科学，医学，数学，计算科学等多...

https://blog.youkuaiyun.com/xiaoqu001/article/details/80422546#commentBoxhttps://brian2.readthedocs.io/en/stable/introduction/brian1_to_2/synapses.html查看这两个网址。

softmax经常被添加在分类任务的神经网络中的输出层，神经网络的反向传播中关键的步骤就是求导，从这个过程也可以更深刻地理解反向传播的过程，还可以对梯度传播的问题有更多的思考。  ...

目前的人工神经网络是第二代神经网络。它们通常是全连接的，接收连续的值，输出连续的值。尽管当代神经网络已经让我们在很多领域中实现了突破，但它们在生物学上是不精确的，其实并不能模仿生物大脑神经元的运作机制。SNN 使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉冲就会出现，...

英文原文：brian2官方tutorials中文翻译：【Brian2学习教程之三】Introduction to Brian part 3: Simulations本文首先对仿真中涉及到的神经元模型进行介绍，并对最后一个例程的实现机制进行分析。目录脉冲神经元模型Hodgkin-Huxley模型积分点火模型（Integrate and Fire, IF)基于脉冲神经网络的...

前言：在学习brian2中，最后一部分历程模拟了STDP突触模型。在阅读相关文献中了解到脉冲时间依赖可塑性（STDP，SpikeTiming Dependent Plasticity)属于一种非监督学习机制。最初Hebbian提出：当两个位置上临近的神经元，在放电时间上也相近时，之间很有可能形成突触； 若突触能持续引起突出后神经元产生动作电位，则该突触强度会有所增加。STDP 为...

参考原英文教程网址：https://brian2.readthedocs.io/en/stable/resources/tutorials/1-intro-to-brian-neurons.html推荐一个不错的中文翻译教程：https://blog.youkuaiyun.com/u013751642/article/details/80918311 目录1. 内部电压V的微分方程的推导过程...

1.常规PCNN，采用kin的连接权矩阵，并固定参数beta = 0.2 alph = 0.22 Ve = 50周期为15初次迭代，图像信息熵最大，但效果不是最好的，在周期临界位置的不同迭代次数有不同的分割效果，第11次迭代效果最好。因此通过信息熵来确定图像迭代次数的算法应对信息熵进行改进n = 0                       n = 11 2. 常规P...