本笔记在个人博客空间我的个人博客里同步
LCA结构如图所示，Y层神经元突触权重的bottom-up向量和top-down向量，与Z层神经元突触权重的bottom-up向量得到更新。对于网络层L=(V, G,r)，其中V=(v1,v2,··· ,vc), 包含c个突触权重向量，G=(g1,g2,··· ,gc)，存储着神经元激活年龄，r是各神经元的响应向量。
- 初始化：随机初始化突触权重vi，且将各神经元激活年龄置零，即 gi = 0，i = 1,2,··· ,c
- LCA 更新过程：
-
计算神经元突触的预响应向量：令输入量p=((1−k)x,kz)，x是X层的外部输入，z是Z层的内部输入，k 是top-down输入的权重0< k < 1．（即1-k是bottom-up输入的权重）预响应向量:
-
top-k竞争机制：为了模拟神经元侧抑制效应，降低神经元更新率，采用top-k竞争机制，令ri最大的那个神经元为优胜神经元，网络只更新优胜神经元的突触权重向量，其他的不予更新．
-
视觉神经的赫布学习（Hebbian learning）：神经元之间的链接因为神经元本身的激发行为自行调整链接强弱，然后又返回来影响以后的神经元接收刺激产生的反应，这样，就不断产生一个学习效果．由以上分析可知，此处只更新优胜神经元突触权重向量，更新过程如下式所示：
其中，w1和w2为控制神经元突触权重更新率的学习因子。w2/w1越大，vj的状态将更多反映对新知识的学习，w1和w2由遗忘平均算法（amnesic mean）得到：
式中，u(gi) 为遗忘方程，定义如下：
-
优胜神经元激发年龄更新，gi←gi+1.
- 预测过程：在发育神经网络完成学习后，预测过程仅使用Y层与Z层神经元突触权重向量的bottom-up,(也使用x层与Y层的bottom-up），根据X层的外部输入，经过内部神经元突触链接，并最终选择Z层的效应器,在本文中X层神经元的输入为机器人当前所处环境图像,Z层的效应器为对应场景．
LCA是增量学习的，能够很好地模仿人大脑的智力发育过程．人从降生起便开始接受外界纷繁的信息，对于婴儿，他完全不理解自己所见所听，只有通过不断地学习、实践，运用智力、理解力、记忆分析等能力才能逐步发展．如果只是简单地针对特定任务编程，机器人永远不可能真正“理解”自己所做的一切，只有让机器人自己去辨认、区分，才可能形 成真正的“智能”。