中文摘要：

计算神经科学的最新研究成果表明连续吸引子在很大程度上刻划了大脑进行信息处理的某些重要的本质机制。连续吸引子模型已被成功用于存储和表达大脑对连续变量信息的处理，如物体运动方向或空间位置等信息。科学家们已经认识到生物体的许多智能行为可以由连续吸引子来解释。机器智能是研究用机器模拟生物体智能行为的学科，无疑，连续吸引子方法是研究机器智能的一种重要途径。当前，在国际上，机器智能的连续吸引子方法才刚刚开始，许多基本理论尚未建立，相应的理论与分析工具还十分欠缺。本项目的目标是要努力建立一套机器智能连续吸引子方法的基础理论与分析方法，为机器智能的研究注入新的活力。其研究内容包括建立系统完整的连续吸引子概念；建立连续吸引子网络产生连续吸引子的内在机制；建立研究连续吸引子的基本理论和方法；研究连续吸引子在机器智能，如流形学习、机器视觉等中的应用。这些问题的解决必将进一步推动机器智能的发展。

结论摘要：

目前，关于连续吸引子的许多文献中，连续吸引子实际是指网络平衡态连续分布的情形。其实，这是对连续吸引子非常初级和不完整的定义。事实上，连续吸引子应该具备下面的性质（a）连续吸引子是由网络平衡态构成的连通的集合；（b）连续吸引子必须具备某种吸引性。本项目成功建立了一套机器智能连续吸引子方法的基础理论与分析方法，为机器智能的研究注入了新的活力。内容包括建立了系统完整的连续吸引子概念；建立了连续吸引子网络产生连续吸引子的内在机制；建立了研究连续吸引子的基本理论和方法；研究了连续吸引子在机器智能，如流形学习、机器视觉等中的应用。大量的研究表明，有限以及无穷个神经元（至少神经元个数也要充分大）的网络中存在连续吸引子，并且在网络具有对称性时，可以得到吸引子清晰的数学表达式，吸引子的吸引子性问题也可以得到完整的数学证明。但是，每种网络得到的吸引子往往都只有一个，通过进一步对连续吸引子的表达方法以及吸引性问题进行研究，我们发现在一个网络当中可以有多个吸引子的存在。而从大脑存储记忆的层面来说，这一发现也进一步验证了“连续吸引子是大脑信息处理的主要机制”的生物学假设。根据目前连续吸引子研究成果得知，连续吸引子的学习规则问题没有得到彻底的解决，我们通过利用连续模式之间的相关矩阵，直接利用Hebb-Learning学习方法得到网络的连续吸引子及权值。为研究连续吸引子在机器智能中的应用问题，我们选择了HTM（Hierarchical Temporal Memory）模型并对该模型进行了大量的研究，并在此基础上与连续吸引子神经网络的特性相结合，提出了新的记忆-预测模型，从而为进一步实现连续吸引子在机器智能中的应用奠定了基础。