【摘 要】
：
传统巴甫洛夫联想记忆实现的学习和遗忘功能，分别对应于经典条件反射中的强化和消退定律。实际上，经典条件反射除了强化和消退定律外，还包含了泛化和分化定律。在传统的巴甫洛夫联想记忆基础之上加入泛化和分化功能，可以更加充分的模拟大脑的联想记忆过程，为类脑系统的进一步发展提供参考。
本文设计了基于忆阻的联想记忆泛化和分化电路，电路经过最初的联想记忆学习之后可以对某种条件刺激做出反应，然而当相似的条件刺激作用于电路时，电路会做出类似的响应，这就是泛化现象。为了使神经网络电路能够充分的认知这两种相似的刺激并最
论文部分内容阅读
传统巴甫洛夫联想记忆实现的学习和遗忘功能，分别对应于经典条件反射中的强化和消退定律。实际上，经典条件反射除了强化和消退定律外，还包含了泛化和分化定律。在传统的巴甫洛夫联想记忆基础之上加入泛化和分化功能，可以更加充分的模拟大脑的联想记忆过程，为类脑系统的进一步发展提供参考。
本文设计了基于忆阻的联想记忆泛化和分化电路，电路经过最初的联想记忆学习之后可以对某种条件刺激做出反应，然而当相似的条件刺激作用于电路时，电路会做出类似的响应，这就是泛化现象。为了使神经网络电路能够充分的认知这两种相似的刺激并最终加以区分，文中采用了一种特殊的学习方法来训练整个神经网络电路。因此，当这两种相似的刺激再次分别作用于电路时，电路会产生不同的响应，这就是分化现象。本文采用忆阻器模拟联想记忆神经网络电路中连接神经元之间的突触，在传统的巴甫洛夫联想记忆基础之上，加入了泛化和分化功能。此外，本文还研究了时滞特性对联想记忆的影响，并进行了仿真实验验证。最后本文还设计了一种基于刺激物特征作为输入的联想记忆泛化和分化电路，并且将该电路应用于简单的分类与识别。
本文的主要研究成果是在传统的巴甫洛夫联想记忆电路基础之上，加入泛化和分化功能，并考虑了时滞特性，使整个电路更加符合人类的联想记忆方式，能够更加充分的学习相似刺激物之间的区别，避免联想记忆的混乱，并将改进的联想记忆电路应用于分类与识别领域，为推动类脑智能的发展打下基础。
其他文献
【摘 要】经历了十几年的课改，教学一直在彷徨中来回打转，过程就是传统教学法与课改新理念的碰撞，从最初的盲目跟从新课改，完全否定传统教学法，结果失败后再回归到传统，但同样不能适应不断发展的学生需求，最后再到二者的互相间融，但总是找不到一种有效的，能有说服力的教学方法，通过学习现感觉新课改与传统教学之间的矛盾其实就是陶行之“行是知之始，知是行之成”对王阳明“知是行之始，行是知之成”的反驳。根据市教研室
多智能体系统的编队控制广泛应用于多个领域，如无人机编队，无人车编队，多机器人编队等，其有关问题得到了诸多研究者的关注。然而，在很多工程应用中，由于外部环境的干扰，信道传输带宽受限，通信设备以及控制器设备受限等因素的影响，智能体之间很难保持连续的信息交流，控制器也很难保持连续的更新，而且输入时间延迟也很难避免。另外，一些复杂的任务是仅具有单个领导者的多智能体系统无法完成的，但可以由具有多个领导者的多智能体系统来完成。因此，本文从采样策略的角度出发，研究了多智能体系统的编队控制问题，智能体被划分为跟随者组和领
多智能体系统协同控制是网络科学中的一个重要研究方向，在社会网络、交通网络、无人系统集群等领域有着广泛的应用，其理论价值巨大，应用前景广阔。作为多智能体协同控制理论的最基本形式，一致性研究受到了众多领域的专家学者的关注。本论文基于矩阵耦合的网络拓扑出发，对多智能体系统的一致性问题进行了研究，与标量权重网络不同，矩阵权重具体的描述了个体状态之间的内部耦合关系，但也使得许多标量权重下的一致性结论不适用于矩阵权重的情形，这为矩阵权重一致性问题的研究带来了难点。本论文主要研究了多智能体系统的矩阵权重一致性问题，分别
随着无人驾驶技术的发展，无人船舶成为未来海上航行的研究热点。水面无人艇作为一种小型化无人驾驶船，在军事和民用领域得到了广泛的应用。发展无人艇不仅能扩展海军装备的多样性，而且能提高我国海洋利益保障能力，对国防建设和经济发展具有重要的意义。避碰决策是无人艇的关键技术之一，在提高航行安全性方面起着重要的作用。目前提出了许多无人艇的避碰方法，全局路径规划法具有路径短和时间最优等特点，在无人艇避碰中有着良好的表现。由于该方法未考虑无人艇运动特性和环境等约束，直接应用到无人艇存在实际航迹差异较大的问题。局部避碰方法具
随着人工智能技术的发展，尤其是通信、传感、定位和图像识别等技术的广泛应用，无人自主机器人越来越多的出现在我们的视线中。在实际运用中，经常需要使用多个机器人来协同执行任务。因此，一般将每个自主机器人看作一个智能体，将多自主机器人系统简化为多智能体系统。
传统的多智能体系统编队控制一般是基于智能体的精确信息设计渐近稳定的控制器。而在实际应用中，获取精确信息较为困难。因此，本文第三章研究基于粗糙距离信息的有限时间编队控制问题，使智能体在只能感知粗糙信息的情况下依然可以完成编队任务。相比于传统的渐近稳定
现实网络之间存在相互作用，单层网络的研究已经不能满足实际需要。最近几年，国际上提出了多层网络的概念。多层网络能更好地描述实际网络之间的相互作用。同步是现实网络中普遍存在的现象。多层网络的同步研究具有十分重要的意义，正吸引着不同领域研究者的关注。由于实际网络往往包含大量节点，且拓扑结构复杂，牵制控制实现多层网络的同步更加实际和经济。
以往的牵制控制研究大多都是基于单层复杂网络，本论文基于无向连接的两层网络，研究了牵制控制下的多层网络的层内同步问题，其中第一层的节点和第二层的节点一一对应无向连接，每
突发灾难发生后，受灾区域的一些基础服务设施，例如道路、医院等，可能会遭受严重破坏。由于突发灾难下伤员数量激增，远远超出现存医疗设施的承受能力，大量伤员无法入院治疗，可能导致伤员死亡率增加甚至造成现有医疗服务系统瘫痪。因此，突发灾难下迅速的应急医疗响应决策对提高伤员存活率具有重要的意义。
针对突发灾难下应急救援工作，以灾后应急医疗设施选址与分配问题作为研究主体，在现存医院的基础上选择要新建的临时应急医疗设施的位置、将有限数量的救护车分配至应急医疗设施以及将受灾点伤员分配至应急医疗设施进行统一决策，
语义分割旨在对图片所有像素点进行类别标记，随着深度学习与高精标记数据集的快速发展，该视觉任务取得了重大进展。然而，繁琐耗时的人工标记成本极大限制了样本数量与识别类别种类，阻碍了语义分割的实际应用。因此，近几年基于弱监督的语义分割得到了广泛关注。给定图片级别的类别标签(即只标明图片含有的类别)，CAM(类别响应图，ClassActivationMaps)常用于初始图片分割(也称初始种子)，其分割区域通常集中于小且稀疏的显著判别域，而非完整的物体对象。为了提升分割性能，本文着眼于初始种子的区域扩张。
频发的自然灾害对人类社会造成了巨大的损失。随着人类社会的快速发展，人们在抗灾救灾方面的意识也越来越强烈，关于应急管理的政策和研究也受到了广泛的关注。面对难以预测的自然灾害，最高效的应急管理措施就是灾后快速地展开救援活动。而灾后救援活动的首要任务就是为灾民提供安全的应急避难场所和生存所需的资源。因此，立足于自然灾害背景，对灾后应急避难场所选址与资源分配问题进行探索研究具有重要的现实意义。
基于自然灾害下应急避难场所选址与资源分配问题的特性，针对现有研究的不足，提出了根据灾民的受伤程度将灾民划分为不
滑坡灾害是一种极具破坏性的地质灾害，严重威胁人们的生命财产安全，造成全球生态环境的破坏和资源的浪费。因此，深入对滑坡预测及其控制系统的研究对降低滑坡灾害的影响具有重要意义。
滑坡演变过程受多种因素影响，具有很强的非线性和不确定性。人工神经网络可以避开复杂的机理分析，建立系统的黑箱模型。本文以三峡库区白水河和石榴树包滑坡为研究对象，将神经网络引入滑坡的预测和控制系统研究中。首先，采用Elman动态神经网络建立滑坡单步预测模型，利用滑坡时间序列数据特点改进BP算法，降低模型训练的时间复杂度，以较高的