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 |