神经信息内部稀疏表示理论与算法

本项目研究大脑神经突触调节的长效增强（LTP）与长效抑制（LTD）的理论机制与学习算法。神经突触可塑性是神经网络学习与记忆的基础，但其理论机制是神经科学多年悬而未解的问题。本项目的主要研究内容包括：一、在神经计算原理方面，研究非对称时窗与神经信息编码之间的关联，解明神经突触的非对称时窗学习律的理论机理。二、在神经信息内部表示方面，研究新型的基于信息内部稀疏表示的神经网络计算理论与模型。根据神经突触调节对非对称时窗的计算原理，利用神经信息自适应独立分解的思想，实现感觉神经信息内部稀疏表示。本项目的研究对揭示神经计算原理、建立新型的计算结构与学习算法具有重要的理论意义，对研发具有知识产权的仿脑计算/认知计算的核心技术具有重要的现实意义。该神经计算理论在解决仿脑的认知计算、模式识别、推理等智能系统，实现智能的人机交互界面等方面具有广泛的应用前景。