缩写
a | b | c |
---|---|---|
AR | autoregressive | 自回归 |
BBTT | back propagation through time | 通过时间的反向传播 |
BM | Boltzmann machine | Boltzmann机 |
BP | back propagation | 反向传播 |
b/s | bit per second | 每秒比特率 |
BSB | bran-state-in-a-box | 盒中脑状态 |
BSS | blind source(signal) separation | 盲源(信号)分离 |
cmm | correlation matrix memory | 相关矩阵记忆 |
CV | cross-validation | 交叉验证 |
DFA | deterministic finite-state automata | 确定性有限状态自动机 |
EKF | extended Kalman filter | 扩展卡尔曼滤波器 |
EM | expectation-maximization | 期望最大化 |
FIR | finite-duration impulse response | 有限时间冲击响应 |
FM | frequency-modulated(singal) | 频率调制(信号) |
GCV | generalized cross-validation | 广义交叉验证 |
GHA | generalized Hebbian algorithm | 广义Hebb算法 |
GSLC | generalized sodelobe canceler | 广义旁瓣消除器 |
Hz | hertz | 赫兹 |
ICA | 独立分量分析 | |
Infomax | 最大互信息 | |
Imax | 最大互信息的变体 | |
Imin | 最大互信息的另一变体 | |
KSOM | 核自组织映射 | |
KHA | 核Hebb算法 | |
LMS | least-mean-square | 最小均方 |
LR | 似然比 | |
LS | Least-squares | 最小二乘 |
LS-TD | Least-squares, temporal-difference | 最小二乘,时序差分 |
LTP | 长期增强 | |
LTD | 长期衰减 | |
LRT | 似然比测试 | |
MAP | 最大后验估计 | |
MCA | 次分量分析 | |
MCMC | Markov Chain Monte Carlo | 马尔可夫链蒙特卡洛 |
MDL | 最小描述长度 | |
MIMO | 多输入多输出 | |
ML | 最大似然 | |
MLP | Multilayer perceptron | 多层感知器 |
MRC | 模型参考控制 | |
NARMA | 非线性自回归平滑平均 | |
NARX | 具有外部输入的非线性自回归 | |
NDP | 神经动态规划 | |
NW | Nadaraya-Watson(估计器) | |
NWKR | Nadaraya-Watson核回归 | |
OBD | 最优脑损伤 | |
OBS | 最优脑外科 | |
OCR | optical character recognition | 光学字符识别 |
PAC | 可能近似正确 | |
PCA | 主分量分析 | |
PF | 粒子滤波器 | |
probability density function | 概率密度函数 | |
pmf | probability mass function | 概率质量函数 |
QP | ||
RBF | ||
RLS | ||
RLS | ||
RMLP | ||
RTRL | ||
SIMO | ||
SIR | ||
SIS | ||
SISO | ||
SNR | ||
SOM | ||
SRN | ||
SVD | ||
SVM | ||
TD | ||
TDNN | ||
TLFN | ||
VC | ||
VLSI | ||
XOR | exclusive OR | 异或 |
符号
a | b | c |
---|---|---|
$\mathrm{a}$ | action | 动作 |
$\mathbf{a}^T\mathbf{b}$ | 向量a和b的内积 | |
$\mathbf{ab}^T$ | 向量a和b的外积 | |
$\dbinom{l}{m}$ | 二项式系数 | |
$\mathrm{A}\bigcup\mathrm{B}$ | A和B的并集 | |
$\mathrm{B}$ | 温度的逆 | |
$\mathrm{b}_k$ | 神经元k的偏置 | |
$\cos(\mathbf{a},\mathbf{b})$ | 向量a的b夹角余弦 | |
$\mathit{c}_{ u, v } (\mathit{u, v})$ | 系词的概率密度函数 | |
$\mathit{D}$ | 记忆深度 | |
$\mathit{D}_{ f | g }$ | 概率密度函数f和g之间的Kullback-Leibler散度 | |
$\tilde{\mathbf{D}}$ | 算子D的伴随矩阵 | |
$\mathit{E}$ | 能量函数 | |
$\mathit{E}_i$ | 统计力学中的状态i的能量 | |
$\mathbb{E}$ | 统计期望算子 | |
$\left\langle \mathit{E} \right\rangle$ | 平均能量 | |
$\exp$ | 指数 | |
$\varepsilon_{av}$ | 平均平方误差或平方误差和 | |
$\varepsilon(n)$ | 平方误差和的瞬间值 | |
$\varepsilon_{total}$ | 总平方误差和 | |
$\mathit{F}$ | 自由能量 | |
$\mathscr{F}*$ | 经验风险最小的子集(网络) | |
$\mathbf{H}$ | Hessian矩阵 | |
$\mathbf{H}^{-1}$ | Hessian矩阵H的逆 | |
$\mathit{i}$ | -1的平方根,亦记作j | |
$\mathbf{I}$ | 单位矩阵 | |
$\mathbf{I}$ | Fisher信息矩阵 | |
$\mathit{J}$ | 均方误差 | |
$\mathbf{J}$ | Jacobi矩阵 | |
$\mathbf{P}^{1/2}$ | 矩阵P的方根 | |
$\mathbf{P}^{T/2}$ | 矩阵P的方根转置 | |
$\mathbf{P}_{n, n-1}$ | 卡尔曼滤波理论中的误差协方差矩阵 | |
$\mathit{k}_B$ | Boltzmann常数 | |
$\log$ | 对数 | |
$\mathit{L}(\mathbf{w})$ | 权值向量w的对数似然函数 | |
$\mathscr{L}(\mathbf{w})$ | 但样本的权值向量w的对数似然函数 | |
$\mathbf{M}_c$ | 可控矩阵 | |
$\mathbf{M}_o$ | 可观察矩阵 | |
$\mathrm{n}$ | 离散时间 | |
$\mathit{P}_i$ | 统计力学中的状态i的概率 | |
$\mathit{P}_{ij}$ | 从状态i到状态j的转移概率 | |
$\mathbf{P}$ | 随机矩阵 | |
$\mathrm{P}(e|\mathscr{C})$ | 从类C中输入时e的条件概率 | |
$\mathrm{P}_\alpha^+$ | 假设网络处于钳制状态(正向阶段)时,Blotzmann机的可见神经元状态为α的概率 | |
$\mathrm{P}_\alpha^-$ | 假设网络处自有运行条件(负向阶段)时,Blotzmann机的可见神经元状态为α的概率 | |
$\hat{r}_x(j, k; n)$ | xi(n)和xk(n)的自相关函数估计 | |
$\hat{r}_{dx}(k; n)$ | d(n)和xk(n)的交叉相关函数估计 | |
$\mathbf{R}$ | 输入向量的相关矩阵 | |
$\mathrm{t}$ | 连续时间 | |
$\mathit{T}$ | 温度 | |
$\mathscr{T}$ | 训练集(样本) | |
$\mathrm{tr}$ | 表示矩阵迹的算子 | |
$\mathrm{var}$ | 方差算子 | |
$\mathit{V}(x)$ | 状态向量x的Lyapunov函数 | |
$\mathit{v}_i$ | 神经元j的诱导局部域或激活位势 | |
$\mathbf{w}_v$ | 突出权值向量的最优值 | |
$\mathscr{w}_{kj}$ | 属于神经元k的突触j的突触权值 | |
$\mathbf{w}^*$ | 最优向量x的平衡值 | |
$\bar{\mathbf{x}}$ | 状态向量x的平衡值 | |
$\left\langle \mathit{x}_i \right\rangle$ | “热”意义下状态xj的平均 | |
$\hat{\mathit{x}}$ | x的估计,用加字符号^表示 | |
$|\mathit{x}|$ | x的绝对值(幅度) | |
$\mathit{x}^*$ | 状态x的复共轭,用*作上标 | |
$||\mathbf{x}||$ | 向量x的欧几里得范数 | |
$\mathbf{x}^T$ | 向量x的转置,用上标T表示 | |
$\mathit{z}^{-1}$ | 单位时间延迟算子 | |
$\mathrm{Z}$ | 部分函数 | |
$\delta_j(n)$ | 神经元j在时刻n的局部梯度 | |
$\Delta\mathit{w}$ | ||
$\nabla$ | 梯度算子 | |
$\nabla^2$ | 拉普拉斯算子 | |
$\nabla_w\mathit{J}$ | J关于w的梯度 | |
$\nabla \centerdot \mathbf{F}$ | 向量F的散度 | |
$\eta$ | 学习率参数 | |
$\kappa$ | 累积量 | |
$\mu$ | 策略 | |
$\theta_k$ | 神经元k的阀值(偏置bk的负值) | |
$\lambda$ | 正则化参数 | |
$\lambda_k$ | 方阵的第k个特征值 | |
$\varphi_k(\centerdot)$ | 神经元k的非线性激活函数 | |
$\in$ | “属于”符号 | |
$\bigcup$ | “并”符号 | |
$\bigcap$ | “交”符号 | |
$*$ | 卷积符号 | |
$+$ | 矩阵伪逆的上标符号 | |
$+$ | 更新估计的上标符号 |