1 时空中不断变化的过程,时空中的深度学习和深度知识表示,灵感来自大脑的人工智能
1.1 时空演化过程
1.1.1 什么是不断发展的过程?
1.1.2 活生物体的进化过程
1.1.3 时空和分时的演化过程
1.2 演化过程的特征:频率,能量,概率,熵和信息
1.3 光和声音
1.4 时空和方向演变过程
1.5 从数据信息到知识
1.6 时空中的深度学习和深度知识表示
1.6.1 在时空中定义深度知识
1.6.2 有多深?
1.6.3 本书中的深度知识表示示例
1.7 演化过程的统计,计算建模
1.7.1 计算建模的统计方法
1.7.2 全局,局部和转换(个性化)建模
1.7.3 模型验证
1.8 灵感来自大脑的人工智能
1.9 本章小结和更深入的阅读材料 参考文献
2 人工神经网络中不断发展的连接主义系统
2.1 经典人工神经网络:SOM,MLP,CNN,RNN
2.1.1 神经网络中的无监督学习自组织地图(SOM)
2.1.2 人工神经网络中的监督学习多层感知器及其反向传播算法
2.1.3 卷积神经网络(CNN)
2.1.4 递归和LSTMANN
2.2 混合和基于知识的人工神经网络
2.3 不断发展的连接主义系统(ECOS)
2.3.1 ECOS原理
2.3.2 不断发展的自组织地图
2.3.3 不断发展的MLP
2.4 不断发展的模糊神经网络EFuNN
2.5 动态发展的神经模糊推理系统DENFIS
2.6 其他ECOS方法和系统
2.7 本章小结和更深入的阅读材料参考文献
第二部分:人脑
3 人脑中的深度学习和深度知识表示
3.1 大脑中的时空
3.2 学习与记忆
3.3 信息的神经表示
3.4 大脑中的感知始终是时空超时空
3.5 大脑时空中的深度学习和深度知识表示
3.6 神经元和大脑中的信息和信号处理
3.6.1 信息编码
3.6.2 信息处理的分子基础
3.7 将大脑活动作为时空时空数据进行测量
3.7.1 一般概念
3.7.2 脑电图(EEG)数据
3.7.3 脑磁图(MEG)
3.7.4 计算机断层扫描(CT)和聚酯(PET)
3.7.5 功能磁共振成像
3.8 本章总结和更深层次的阅读材料参考文献
第三部分:脉冲神经网络
4 脉冲神经网络的方法
4.1 信息表示为脉冲的脉冲编码算法
4.1.1 比率与脉冲时间信息表示形式
4.1.2 脉冲编码算法
4.2 脉冲神经元模型
4.2.1 霍奇金-赫克斯利模型(HHM)
4.2.2 泄漏的集成火力模型(LIFM)
4.2.3 伊奇凯维奇模型(IM)
4.2.4 脉冲响应模型(SRM)
4.2.5 索普模型(TM)
4.2.6 概率和随机脉冲神经元模型
4.2.7 神经元的概率神经遗传模型
4.3 SNN中的学习方法
4.3.1 脉冲
4.3.2 脉冲时间相关可塑性(STDP)
4.3.3 脉冲驱动的突触可塑性(SDSP)
4.3.4 排名顺序(RO)学习规则
4.3.5 动态突触学习
4.4 脉冲模式关联神经元和神经网络
4.4.1 脉冲模式关联学习原理
4.4.2 案例研究实例
4.4.3 SPAN中的存储容量
4.4.4 分类问题的SPAN
4.5 为什么要使用SNN?
4.6 总结和进一步阅读以获取更深入的知识 参考文献