1) olfactory cortex neural networks
嗅觉皮层神经网络
1.
Global exponential stability of olfactory cortex neural networks;
嗅觉皮层神经网络的全局指数稳定性
2) olfactory neural network
嗅觉神经网络
1.
This paper presents a novel method directly dealing with time series of the sensors responses based on an olfactory neural network with many dynamic properties.
文中提出将传感器阵列时间序列信号直接输入到一种具有丰富动力学特性的嗅觉神经网络中进行模式分类的方法。
3) olfactory cortex
嗅觉皮层
1.
Results In both tasks, uniform activation in piriform cortex and secondary olfactory cortexes was determined.
采用事件相关设计,每名受试者完成两段嗅觉刺激任务,一个是单一醋酸异戊酯刺激,另一个在醋酸异戊酯刺激前给予香草醛,采用fMRI分析嗅觉皮层的活动。
4) olfactory receptor neurons
嗅觉神经元
1.
Purpose To study whether apoptosis play a role in controlling the number of olfactory receptor neurons, so as to reveal the speciality and its relationship in neurogenesis.
目的 研究凋亡是否参与嗅上皮正常生理更替和嗅球摘除后嗅觉神经元死亡后再生过程 ,探讨凋亡与神经元再生的关系。
2.
Olfactory receptor neurons (ORNs) not only can regenerate,but also they are true bipolar neurons directly exposed to the external environment.
正常情况下,生物体内嗅觉神经元(olfactory receptor neurons, ORNs)的再生与凋亡处于动态平衡之中,即通过基底细胞生成,神经细胞分化、成熟,ORNs凋亡的动态平衡而维持正常的嗅觉功能。
6) Olfactory Receptor Neurons
嗅觉受体神经元
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条