当德国计算神经学家 Bernd Fritzke 在其 1995 年的开创性论文中提出后来被称为神经气体生长（GNG）的算法时，机器学习还是一个相对较新的领域，并且受到实际神经科学的极大启发。 当时，神经科学正处于一个突破性的时代——这在很大程度上要归功于新的神经成像方法，包括功能性神经成像 (fMRI)、脑磁图 (MEG) 和扩散张量成像 (DTI)。这启发了计算机科学家创建类似于神经元工作方式

文章目录 1. 背景2. 算法 本文对于生长型神经气体网络做了简单的整理，在算法背景上进行着重介绍，不管做什么，目的性要明确，为什么需要用生长型神经气体网络？那么就要对算法提出的前提与背景有一定认识，这样在应用中才能有目的性的选择并使用 图中理解什么是GNG? 开始两个神经元，随着网络不断迭代学习，根据误差增加神经元个数，从而实现对原始数据的拓扑结构拟合效果，图应该

COMPETITIVE HEBBIAN LEARNING AND NEURAL GAS   一些信息： 一般可以把几何形体的拓扑结构看作是完全“柔软”的，因为所有变形（同胚）会保持拓扑结构不变；而把解析几何结构看作是“硬”的，因为整体的结构都是固定的。 induced Delaunay triangulation" has been shown to optimally preser

GNG论文思路： GNG-AOGNGGNG-TGNG-Ada中的lossGNG降维可视化GWR 文章目录 前言原始GNG 一、GNG-A1.移除不相关神经元的机制 二、OGNG1.插入外部神经元2.基于“密度”来删除神经元 三、GNG-T实验：动态阈值四、GNG-Ada中的loss五、bagging+集成学习+投票1.权重的分配2.动态重构的过程3.集成决策输出 六、GNG降维可视化

恒源云中下载FileZilla用于上传数据，新建一个站点后 填写如下信息 在主页面打开jupyterlab 里面有各种操作台 选择终端 然后进入cd /hy-tmp内部 然后cd 所需目录之下 调用作者给出的 python -u scripts/main_ode.py --dataset-dir …/datasets/tmall --gnn GATConv --solver dopri5即可运行