本筆記在個人博客空間我的個人博客裏同步
LCA結構如圖所示，Y層神經元突觸權重的bottom-up向量和top-down向量，與Z層神經元突觸權重的bottom-up向量得到更新。對於網絡層L=(V, G,r)，其中V=(v1,v2,··· ,vc), 包含c個突觸權重向量，G=(g1,g2,··· ,gc)，存儲着神經元激活年齡，r是各神經元的響應向量。
- 初始化：隨機初始化突觸權重vi，且將各神經元激活年齡置零，即 gi = 0，i = 1,2,··· ,c
- LCA 更新過程：
-
計算神經元突觸的預響應向量：令輸入量p=((1−k)x,kz)，x是X層的外部輸入，z是Z層的內部輸入，k 是top-down輸入的權重0< k < 1．（即1-k是bottom-up輸入的權重）預響應向量:
-
top-k競爭機制：爲了模擬神經元側抑制效應，降低神經元更新率，採用top-k競爭機制，令ri最大的那個神經元爲優勝神經元，網絡只更新優勝神經元的突觸權重向量，其他的不予更新．
-
視覺神經的赫布學習（Hebbian learning）：神經元之間的鏈接因爲神經元本身的激發行爲自行調整鏈接強弱，然後又返回來影響以後的神經元接收刺激產生的反應，這樣，就不斷產生一個學習效果．由以上分析可知，此處只更新優勝神經元突觸權重向量，更新過程如下式所示：
其中，w1和w2爲控制神經元突觸權重更新率的學習因子。w2/w1越大，vj的狀態將更多反映對新知識的學習，w1和w2由遺忘平均算法（amnesic mean）得到：
式中，u(gi) 爲遺忘方程，定義如下：
-
優勝神經元激發年齡更新，gi←gi+1.
- 預測過程：在發育神經網絡完成學習後，預測過程僅使用Y層與Z層神經元突觸權重向量的bottom-up,(也使用x層與Y層的bottom-up），根據X層的外部輸入，經過內部神經元突觸鏈接，並最終選擇Z層的效應器,在本文中X層神經元的輸入爲機器人當前所處環境圖像,Z層的效應器爲對應場景．
LCA是增量學習的，能夠很好地模仿人大腦的智力發育過程．人從降生起便開始接受外界紛繁的信息，對於嬰兒，他完全不理解自己所見所聽，只有通過不斷地學習、實踐，運用智力、理解力、記憶分析等能力才能逐步發展．如果只是簡單地針對特定任務編程，機器人永遠不可能真正“理解”自己所做的一切，只有讓機器人自己去辨認、區分，纔可能形 成真正的“智能”。