3篇
您的检索式：作者名="Walter J.FREEMAN"
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 非线性嗅觉生理模型在一维序列识别中的应用显示文摘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。 | 汪乐 李光 郭宏记 李绪 Walter J.FREEMAN | 2004 | 系统仿真学报2004，16，3： | 8 |
| 2 | 模拟生物嗅觉神经系统的混沌神经网络及应用显示文摘以神经生物学实验结果为基础,根据生物嗅觉神经系统的信息处理机制,Freeman建立了非线性神经网络模型-K系列模型。KIII模型在模拟神经系统方面具有突出的优点,同时也具有一定的模式识别的能力,它的仿生特点代表了一种新型的神经网络模型。因此,KIII模型在解释人脑的认知机制和处理比较复杂的模式识别问题中有着广泛的实际应用价值。该文应用KIII模型在图像模式识别方面的应用做了初步探索,并将该模型应用于具体的简单图像模式识别中,取得了良好的效果。这一探索拓展了KIII模型模式识别应用范围,为该模型在图像模式识别方面的广泛应用建立了基础。 | 李绪 李光 汪乐 Walter J.Freeman | 2003 | 计算机仿真2003，20，9： | 4 |
| 3 | 嗅觉系统神经网络模型字符识别中的应用显示文摘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. | 郭宏记 李光 李绪 汪乐 史嘉凝 Walter J.Freeman | 2004 | 复旦学报(自然科学版)2004，43，5： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员