26、神经元交互模式识别与纹理时域描述

神经元交互模式识别与纹理时域描述

1. 神经元交互模式识别

1.1 背景与网络结构

具有可塑性（动态连接系数）的神经网络能够识别和关联刺激模式。研究中构建的网络包含三种类型的神经元：10 个输入（刺激）神经元（$N_i$），每个输入神经元向主网络发送 $\mu_i$ 个传出连接；主网络中的神经元通过 $\mu_a$ 个传入连接和 $\mu_e$ 个传出连接相互连接；还可包含一组输出神经元（$N_o$），用于监测主网络的活动并训练网络。

相较于拓扑网络，准随机网络的成功模式识别更具意义和普遍性。拓扑网络在大脑中可能更高效，但对变化条件的适应性较差；而准随机网络可以被训练来识别时间和空间刺激，拓扑网络则局限于特定类型的刺激。

1.2 训练算法的物理限制

特定神经元的大部分信息来自传入和传出神经元。非特定信息可通过体液递质（如激素）或相邻但不相连的神经元传递给神经元组。每个突触需要了解传入和传出神经元在当前和前一个时间步的活动。假设在时间间隔之间仅保留连接系数 $V_{ij}$ 的大小，当算法确定的特定条件满足时会发生增量变化。

1.3 训练算法的要素

训练算法基于每个突触处两个连接神经元的活动知识，同时考虑突触是抑制性还是兴奋性，共有八种可能的类别。连接系数 $V_{ij}$ 的大小可以增加、减少或保持不变。以下是连接修改方程：
| 操作 | 方程 | 限制条件 |
| — | — | — |
| 增加大小 | $\vert V_{ij}\vert = \vert V_{ij}\vert + f$ | $V_{max} \geq V$，$1 \geq f \geq