Loading...
机构名称:
¥ 1.0

摘要——计算智能算法目前能够处理简单的认知过程,但与人脑从少数样本中学习或分析未明确定义的问题的能力相比仍然效率低下。泛化和决策过程通常需要一个不确定性模型,该模型依赖于概率方法应用于决策选项。因此,此类认知功能模型通常与强化学习相互作用以简化复杂问题。决策者需要从可用的决策选项中进行选择,以确保决策者的选择是理性的。他们最大化预期的主观整体效用,该效用由不同状态下的结果给出,并根据对这些状态发生的主观信念加权。信念由概率捕获,并使用贝叶斯定律纳入新信息。本文描述的模糊模型提出了一种不同的方法——它们可以作为一系列新方法的出发点,从而实现更有效、神经生物学上更可靠的大脑模拟,这些方法基于模糊逻辑技术,并且被证明在基础科学和应用科学中都很有用。所提出的方法为理解上述过程提供了宝贵的见解,以描述性、基于模糊的方式进行,而无需进行复杂的分析。

论文基于模糊的中枢神经系统计算复杂性描述

论文基于模糊的中枢神经系统计算复杂性描述PDF文件第1页

论文基于模糊的中枢神经系统计算复杂性描述PDF文件第2页

论文基于模糊的中枢神经系统计算复杂性描述PDF文件第3页

论文基于模糊的中枢神经系统计算复杂性描述PDF文件第4页

论文基于模糊的中枢神经系统计算复杂性描述PDF文件第5页

相关文件推荐

2020 年
¥18.0
2022 年
¥1.0
2024 年
¥1.0
2019 年
¥8.0
2020 年
¥13.0
2013 年
¥28.0
2022 年
¥51.0
2025 年
¥1.0
2023 年
¥1.0
2023 年
¥1.0
2023 年
¥5.0
2025 年
¥1.0
2023 年
¥3.0
2023 年
¥1.0
2023 年
¥1.0
2024 年
¥4.0
2024 年
¥1.0
2020 年
¥5.0
2022 年
¥1.0
2023 年
¥1.0
2025 年
¥1.0
2021 年
¥1.0
2024 年
¥3.0
2022 年
¥1.0
2020 年
¥1.0