XiaoMi-AI文件搜索系统
World File Search System连接时间
用自我...
大脑的皮质可塑性是使我们能够学习和适应环境的主要特征之一。的确，由于两种形式的可塑性，大脑皮层具有自组织的能力：结构性塑性性，从而产生或削减了神经元之间的突触连接，并改变了突触可塑性，从而改变了突触连接的力。这些介绍很可能是基于人脑发展的极其竞争的特征：多模式关联。故障，感觉方法的多样性，例如视觉，声音和触摸，大脑都达到了相同的概念。此外，生物学观察结果表明，当两者相关时，一种模态可以激活另一种方式的内部表示。为了建模这种行为，Edelman和Damasio分别提出了逆转和收敛/发散区，在该区域中，双向神经通信可以导致多模式融合（收敛）和模态激活（差异）。尽管如此，这些理论框架并未在neu-rones级别提供计算模型。本论文的目的是首先以（1）的（1）多模式学习而不是超级靶向的，（2）的（2）在能量水平上对能量处理的（3）能量处理的（2）。我们提出并比较不同的标签方法，以最大程度地减少标签数量，同时保留最佳精度。根据这些准则和对文献神经模型的研究，我们选择了Kohonen提出的自组织（SOM）卡作为我们系统的主要组成部分。我们介绍了迭代网格，这是一个完全分布在材料神经元之间的架构，该架构允许在SOM中进行蜂窝计算，因此，在处理和连接时间方面逐渐了解的系统。然后，我们在释放的标签后学习中评估了SOM的性能：在训练期间没有标签，那么很少有标签可用于标记SOM的神经元。我们使用SPIKE（SNN）中的神经网络将表演与不同的方法进行比较。然后，我们建议使用提取的特征而不是原始数据提高SOM的性能。我们正在使用两种不同的方法从MNIST数据库中提取SOM分类的研究：一种具有卷积自动介绍者的机器学习方法和SNN的生物启发方法。为了证明SOMA冲突的能力 - 如果数据更复杂，我们通过传输DVET使用Mini-Imagenet数据库来使用学习。完成，我们转到多模式关联机制。我们通过使用SOMAS和每周学习来基于最近的原理来构建以生物启发的垃圾模型。我们提出并比较不同的