Siri,贝诺;浆果,拥抱;布鲁诺·塞萨克;布鲁诺·德尔德;马蒂亚斯·奎伊 Hebbian学习规则对离散时间随机递归神经网络动力学和结构影响的数学分析。 (英语) Zbl 1159.68536号 神经计算。 20,第12号,2937-2966(2008). 总结:我们用一个通用的Hebbian学习规则,包括被动遗忘和不同的时间尺度,对随机递归神经网络中的Hebbain学习效果进行了数学分析,以了解神经元活动和学习动力学。先前的数值工作已经报道,Hebbian学习通过一系列分叉将系统从混沌状态驱动到稳定状态。在这里,我们从数学上解释了这些结果,并表明这些影响,涉及神经元动力学和突触图结构之间的复杂耦合,可以使用雅可比矩阵进行分析,雅可比矩阵引入了神经网络进化的结构和动力学观点。此外,我们还表明,当最大Lyapunov指数接近0时,对学习模式的敏感性最大。我们讨论了神经网络如何利用这种高功能感兴趣的机制。 引用于6文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:神经网络进化 PDF格式BibTeX公司 XML格式引用 \textit{B.Siri}等人,《神经计算》。20,第12号,2937--2966(2008;Zbl 1159.68536) 全文: 内政部 arXiv公司 参考文献: [1] Abraham B.,《美国国家科学院院刊》91 pp 10049–(1994) [2] 数字对象标识码:10.1016/S0166-2236(96)80018-X·doi:10.1016/S0166-2236(96)80018-X [3] Abraham W.,《神经科学杂志》22页9626–(2002) [4] DOI:10.1016/j.physd.2006.09.018·Zbl 1130.37344号 ·doi:10.1016/j.physd.2006.09.018 [5] DOI:10.1103/PhysRevLett.89.054101·doi:10.1103/PhysRevLett.89.054101 [6] 内政部:10.1146/anurev.ne.19.030196.002253·doi:10.1146/annurev.ne.19.030196.002253 [7] 内政部:10.1177/105971230601400204·doi:10.1177/105971230601400204 [8] DOI:10.1016/j.physrep.2005.10.009·Zbl 1371.82002号 ·doi:10.1016/j.physrep.2005.10.009 [9] 内政部:10.1038/nn1067·doi:10.1038/nn1067 [10] 内政部:10.1088/0305-4470/27/24/004·Zbl 0834.92001号 ·doi:10.1088/0305-4470/27/24/004 [11] Cessac B.,《物理杂志》5第409页–(1995) [12] Cessac B.,《动态神经网络专题》142,第7页–(2007年) [13] DOI:10.1103/Phys修订版E.70.056111·doi:10.1103/PhysRevE.70.056111 [14] 内政部:10.1063/1.2126813·Zbl 1144.37335号 ·数字对象标识代码:10.1063/1.2126813 [15] 内政部:10.1016/j.physd.2006.09.034·兹伯利1114.37023 ·doi:10.1016/j.physd.2006.09.034 [16] 内政部:10.1101/lm.64103·doi:10.1101/lm.64103 [17] DOI:10.1016/S0893-6080(97)00131-7·doi:10.1016/S0893-6080(97)00131-7 [18] 内政部:10.1007/s00422-002-0364-8·Zbl 1105.68369号 ·doi:10.1007/s00422-002-0364-8 [19] DOI:10.1371/journal.pcbi.0030124·doi:10.1371/journal.pcbi.0030124 [20] 内政部:10.1142/S0218127493000222·Zbl 0871.92001号 ·doi:10.1142/S0218127493000222 [21] 内政部:10.1007/BF00317988·doi:10.1007/BF00317988 [22] DOI:10.1016/0893-6080(88)90001-9·doi:10.1016/0893-6080(88)90001-9 [23] 内政部:10.1142/S021833909800054·Zbl 1058.37537号 ·doi:10.1142/S021833909800054 [24] Grinstein G.,《美国国家科学院院刊》,28页,9948–(2005) [25] DOI:10.1103/PhysRevE.72.056139·doi:10.1103/PhysRevE.72.056139 [26] DOI:10.1016/0893-6080(89)90018-X·doi:10.1016/0893-6080(89)90018-X [27] Hong H.,《物理评论》E 65第067105页–(2002年) [28] 内政部:10.1126/science.1091277·doi:10.1126/science.1091277 [29] DOI:10.1016/j.neuron.2007.10.30·doi:10.1016/j.neuron.2007.10.30 [30] DOI:10.1103/PhysRevLett.84.2758·doi:10.1103/PhysRevLett.84.2758 [31] 内政部:10.1016/0167-2789(90)90064-V·doi:10.1016/0167-2789(90)90064-V [32] DOI:10.1103/PhysRevLett.91.014101·doi:10.1103/PhysRevLett.91.014101 [33] DOI:10.1023/A:1004593915069·兹比尔0934.37010 ·doi:10.1023/A:1004593915069 [34] DOI:10.1016/j.jphysparis.2007.10.03·doi:10.1016/j.jphysparis.2007.10.03 [35] DOI:10.1017/0140525x01000097·doi:10.1017/S0140525X01000097 [36] 内政部:10.1038/36103·doi:10.1038/36103 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。