在神经网络中的区别 非监督学习类似与生物突触,利用神经 信号的局部信息来改变参数,而不利用 分组隶属度信息,处理未标志的原始数 据。它自适应的把样本模式分成模式 簇D,突触扇入矢量估计样本模式的分 组轨迹,这个过程依赖于未知概率密度 函数P(x),其它非监督神经系统具有模 式状态空间(pss)的吸引子低谷ABAB 对应于模式分组
在神经网络中的区别 ◼ 非监督学习类似与生物突触，利用神经 信号的局部信息来改变参数，而不利用 分组隶属度信息，处理未标志的原始数 据。它自适应的把样本模式分成模式 簇 ，突触扇入矢量估计样本模式的分 组轨迹，这个过程依赖于未知概率密度 函数 ，其它非监督神经系统具有模 式状态空间（pss）的吸引子低谷AB,AB 对应于模式分组。 Dj p x( )
在神经网络中的区别 阶差分或一阶微分方程可以用来定义 非监督学习定律。一般来说,随机微分 方程定义了非监督学习定律,并且描述 了突触如何处理局部信息
在神经网络中的区别 ◼ 一阶差分或一阶微分方程可以用来定义 非监督学习定律。一般来说，随机微分 方程定义了非监督学习定律，并且描述 了突触如何处理局部信息
局部信息 局部信息:突触可以简单获得的,经常 是表示突触性质和神经信号性质的信息。 局部化使突触可以实时、异步地学习, 不需要全局的误差信息,也使非监督学 习定律的函数空间缩小,即,突触只能 获得局部非常有限的信息
局部信息 ◼ 局部信息：突触可以简单获得的，经常 是表示突触性质和神经信号性质的信息 。 ◼ 局部化使突触可以实时、异步地学习， 不需要全局的误差信息，也使非监督学 习定律的函数空间缩小，即，突触只能 获得局部非常有限的信息
局部信息 ■局部的非监督突触把信号和信号联系起来,形 成由局部化限定的共轭或相关学习定律。 ■学习定律中只包含神经元、突触和噪声三项 借助于联想可以进一步缩小函数空间,它把模 式联系起来。通过∫:}→Y把X、Y联系起 来,神经网络估计函数f和未知的联合概率 密度函数p(xy)
局部信息 ◼ 局部的非监督突触把信号和信号联系起来，形 成由局部化限定的共轭或相关学习定律。 ◼ 学习定律中只包含神经元、突触和噪声三项。 ◼ 借助于联想可以进一步缩小函数空间，它把模 式联系起来。通过 把 、 联系起 来，神经网络估计函数 和未知的联合概率 密度函数 。 f X Y : → X Y f p x y ( , )
四个非监督学习定律 主要介绍了信号 Hebbian学习 微分 Hebbian学习、 竞争学习 微分竞争学习 这四种非监督学习定律
四个非监督学习定律 ◼ 主要介绍了信号Hebbian学习、 微分Hebbian学习、 竞争学习、 微分竞争学习 这四种非监督学习定律