1) neuronic equation
神经元方程式
2) structural formula process neural networks
分式过程神经元网络
1.
Aimed at the pattern classification and the system-modelling problem with complex time-varying signals that have singular values, a kind of structural formula process neural networks is proposed in this paper.
针对带有奇异值复杂时变信号的模式分类和系统建模问题,提出了一种分式过程神经元网络·该模型是基于有理式函数具有的对复杂过程信号的逼近性质和过程神经元网络对时变信息的非线性变换机制构建的,其基本信息处理单元由两个过程神经元成对偶组成,逻辑上构成一个分式过程神经元,是人工神经网络在结构和信息处理机制上的一种扩展·分析了分式过程神经元网络的连续性和泛函数逼近能力,给出了基于函数正交基展开的学习算法·实验结果表明,分式过程神经元网络对于带有奇异值时变函数样本的学习性质和泛化性质要优于BP网络和一般过程神经元网络,网络隐层数和节点数可较大减少,且算法的学习性质与传统BP算法相同
3) process neuron
过程神经元
1.
The process neural networks(PNNs) are networks that adapt to the process of signal input,whose elementary unit is the process neuron(PN),an emerging neuron model.
过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元——一种新的神经元模型。
2.
Its hidden layer and output layer are compose d of process neuron and the hidden layer function consists of wavelet function.
其隐层和输出层为过程神经元,隐层激活函数采用小波函数。
3.
A continuous wavelet process neural networks(CWPNN)model is proposed based on wavelet analysis and process neural network theory in which the hidden layer is composed of process neurons and the hidden layer activation function is a wavelets function.
在小波分析和过程神经网络理论的基础上,提出了连续小波过程神经网络模型,其隐层为过程神经元,隐层激活函数采用小波函数。
4) procedure neuron
过程神经元
1.
First the discrete data of both sample function and procedure neuron weight function is converted to spline function, and then spline function product integral of both samp.
过程神经元网络的提出为大样本识别问题开辟了新途径,但其训练方法目前主要基于权函数正交基展开。
2.
The FPNN has three layers, and its hidden layer and output layer are procedure neuron.
提出了一种带有反馈输入的过程式神经元网络模型,模型为三层结构,其隐层和输出层均为过程神经元。
3.
The FPNN has three layers, and its hidden layer and output layer are composed of procedure neurons.
提出了一种带有反馈输入的过程式神经元网络模型 ,模型为三层结构 ,其隐层和输出层均为过程神经元 。
5) formal neuron
形式神经元
6) pattern neuron
模式神经元
1.
In order to imitate the learning and cognitive process of human brain better,the clustering rule and method of the pattern neuron network was proposed,and this work has further improved the new artificial neural network model.
为了更好地模拟人脑对事物的学习、认知过程,笔者提出了模式神经元网络的聚类规则和方法,从而完善了这种新型的神经网络模型。
补充资料：神经元
| 神经元 neuron 神经组织的基本单位。即神经细胞。一般都有长的突起，胞体和突起总称神经元。神经元的功能是接受某些形式的信号并对之做出反应、传导兴奋、处理并储存信息以及发生细胞之间的联结等。由于神经元的这些功能，动物才能对环境的变化做出快速整合性的反应。在系统发生上自腔肠动物开始有神经细胞，至高等动物神经元的数目越来越多，神经系统也更为复杂。 神经元可以直接或间接（经感受器）地从体内、外得到信息，再用传导兴奋的方式把信息沿着长的纤维（突起）作远距离传送。信息从一个神经元以电传导或化学传递的方式跨过细胞之间的联结（即突触），而传给另一个神经元或效应器，最终产生肌肉的收缩或腺体的分泌，神经元还能处理信息，也能以某种沿尚未清楚的方式存储信息。神经元通过突触的连接使数目众多的神经元组成比其他系统复杂得多的神经系统。神经元也和感受器如视、听、嗅、味、机械和化学感觉器，以及和效应器如肌肉和腺体等形成突触连接。高等动物的神经元可以分成许多类别，各类神经元乃至各个神经元在功能、大小和形态等细节上可有明显的差别。 结构 神经元由胞体和突起两部分组成。 胞体 神经元含有细胞核的部分，表面有细胞膜，膜与核之间有细胞质。胞体是神经元的代谢和营养的中心。高等动物胞体的直径为4～100微米，胞体内有一个大而圆的细胞核，大的神经元的胞体内含有较多的细胞质。神经元的细胞质内除含有一般细胞器如线粒体、高尔基体等外，尚含特有的结构——尼氏体和神经元纤维等。在电子显微镜下，可见尼氏体由粗糙内质网和核糖体构成，它可能是合成结构性和分泌性的蛋白质以及在突触传递中的递质的主要部位。在光学显微镜下观察银染色的神经组织，可见神经元的胞质中有棕色的细丝，即神经元纤维。它在胞体中呈网络状，在突起中则与突起的长轴平行排列。胞体内的高尔基体位于细胞核附近，与神经的分泌有关。神经元跨越突触向另一神经元或效应器所释出的神经递质，便需先在高尔基体中浓缩“包装”在囊泡内，然后经轴突转送到纤维末梢。线粒体广泛地分布于神经元的各个部分，在轴突末梢特别丰富，是神经元的能量供应中心。 突起 一般可由胞体延伸出两种突起即树状突起（简称树突）和轴状突起（简称轴突）。①树突。从胞体发出的多根而且多分枝的突起。大多数神经元具有多根树突。粗树突的结构和胞体相似，含有粗糙面内质网、线粒体和平行排列的神经元纤维。有些神经元树突的分枝上有树突棘，后者也可与其他神经的末梢接触形成突触，树突的广大面积是神经元接受信息，并处理信息的主要区域。信息以电信号的形式在树突上扩布并被整合。②轴突。由胞体发出的单根突起，除了接近末梢处之外，各段落之间的粗细无明显差别。它以直角方向发出侧枝。轴突的末梢反复分枝而形成终末，终止于另一神经元或效应器，与它们形成突触。轴突被髓鞘和神经衣或单被神经衣包裹而形成神经纤维。脊椎动物的神经纤维依髓鞘之有无可分为有髓纤维和无髓纤维。轴突内的胞质叫轴浆，内含细长的线粒体、光滑内质网以及纵行排列的微管和神经丝。轴突的功能主要是传送快速的电信号，并在胞体与末梢之间输送物质。轴突的髓鞘是许旺氏细胞膜螺旋式地围绕轴突形成的极层。在两个许旺氏细胞之间有一小段无髓鞘的间隙（约1微米），称做郎维埃氏结。两结间的距离在不同的神经纤维和不同的动物之间有很大的差异，其变动范围在50～1500微米之间。这是神经冲动在轴突上快速跳跃传导的结构基础。③轴浆运输。某些细胞器和化学物质沿神经突的运输，它既见于轴突也见于树突，由于先在轴突发现，故称为轴浆运输，轴浆运输有顺向与逆向两种：顺向即物质从胞体运到末梢；逆向即从末梢运向胞体，顺向运输远比逆向的量多、速度快。被运输的物质有些是胞体合成的，有些是纤维或末梢从环境中摄取的。轴浆运输有维持存活的作用，它也有维持纤维末梢正常的突触传递的作用。 类别 神经细胞是多种多样的，可以作各种分类。从功能来说可分为3类：①直接与感受器相连，将信息传向中枢者叫感觉（传入）神经元。②直接与效应器相连，把信息传给效应器者叫运动（传出）神经元。③在感觉和运动神经元之间传送信息者叫中间神经元。根据神经元突起的形态与数目，又可把神经元分为：单极神经元、双极神经元和多极神经元。 |
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