中文摘要：

本项目研究大脑神经突触调节的长效增强（LTP）与长效抑制（LTD）的理论机制与学习算法。神经突触可塑性是神经网络学习与记忆的基础，但其理论机制是神经科学多年悬而未解的问题。本项目的主要研究内容包括一、在神经计算原理方面，研究非对称时窗与神经信息编码之间的关联，解明神经突触的非对称时窗学习律的理论机理。二、在神经信息内部表示方面，研究新型的基于信息内部稀疏表示的神经网络计算理论与模型。根据神经突触调节对非对称时窗的计算原理，利用神经信息自适应独立分解的思想，实现感觉神经信息内部稀疏表示。本项目的研究对揭示神经计算原理、建立新型的计算结构与学习算法具有重要的理论意义，对研发具有知识产权的仿脑计算/认知计算的核心技术具有重要的现实意义。该神经计算理论在解决仿脑的认知计算、模式识别、推理等智能系统，实现智能的人机交互界面等方面具有广泛的应用前景。

结论摘要：

本项目主要研究了基于仿脑计算模型的计算机理、学习算法及其应用。在计算原理方面，研究了视觉图像稀疏表象的计算机理，提出了超完备图像表象的新型学习算法。利用大脑视皮层信息处理双通道结构，设计了处理视觉图像内容和位置通路计算结构，建立了图像内容识别对位置不变性模型和算法，同时该模型可以估计物体运动方向和速度。进一步利用感觉神经信息独立分解的思想，提出了在空间上具有地形结构超完备内部表现实现算法，并且应用于图像表象和图像降噪。在独立元分析算法方面，提出了自适应信号盲分离算法，在理论上分析了算法的稳定性和收敛性。进一步我们提出了利用原信号的时序结构来提高盲分离算法对噪音的稳健性，给出算法的理论分析。对于动态卷积混合系统，我们提出了解卷模型的算子分解方法，引入了FIR算子信息几何结构。提出了基于该几何结构快速、高效的自然梯度学习算法，分析算法的稳定性、学习效率等。该研究对理解大脑视觉信号处理具有重要的理论意义，对视频编码、人脸识别、脑信号处理等领域有广泛的应用前景。本项目基于上述研究工作发表了论文完成25 篇，其中15被SCI收入，发表论文被SCI引用23次。另外申请了技术专利2项。