嗅觉系统神经网络模型字符识别中的应用

Freeman在大量神经生理实验的基础上建立了生物嗅觉系统的非线性神经网络模型,即K系列模型．其中,KⅢ模型是一种混沌神经网络,它的模式识别机制与以往的人工神经网络完全不同,更接近实际生物神经系统的工作模式．研究通过对26个英文字符的学习、识别研究得出,系统相对于传统的神经网络有着很强的学习能力,学习5～6次就能有很好的识别能力,在10次达到最优学习效果,并与真实神经系统学习过程中的倒“U”曲线相对应．     

嗅觉神经系统脉冲编码的机理研究

提出了衡量神经信息编码的四个主要关键问题，其中不稳定的神经系统如何能得出确定的信息处理结果，这是一个看来十分矛盾的问题，要解决这一问题，必须有一个观念上的改变．提出了序空间的概念，以嗅觉系统为例初步解释了四个关键问题，也初步解释了嗅觉系统信号过程．     

非线性嗅觉生理模型在一维序列识别中的应用

Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。这套模型运用非线性动力学的方法较好的模拟了人体的嗅觉系统,并能够产生类似脑电的非周期背景信号。利用这个的基于嗅觉系统而建立的模型--K系列模型可以实现模式识别。本文首先从原理上介绍了K系列模型的拓扑结构和数学基础,然后通过实际的计算机数值模拟介绍了KII网络和KIII模型在实现一维序列识别时的方法和结果,简单说明了这个模型在模式识别上的特点。