人工神經網路/赫布學習
< 人工神經網路
赫布學習是最古老的學習演算法之一，很大程度上基於生物系統的動力學。兩個神經元之間的突觸在突觸兩側的神經元（輸入和輸出）具有高度相關的輸出時會加強。本質上，當輸入神經元激發時，如果它經常導致輸出神經元的激發，則突觸會加強。遵循人工系統的類比，兩個連續神經元之間具有高度相關性時，權重會增加。
數學上，我們可以將赫布學習描述為
![{\displaystyle w_{ij}[n+1]=w_{ij}[n]+\eta x_{i}[n]x_{j}[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/251c256db555ab331594cfa7caf8660c17e74470)
這裡，η 是學習率係數，而 和 分別是第 i 個和第 j 個元素在時間步 n 處的輸出。
![{\displaystyle x_{i}[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2ae3a986c99fd36b6b09e7f31f46ab8369086f2f)
![{\displaystyle x_{j}[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7fcf8cd6500d65efb41e041f6e814a5e1515dc07)
赫布學習演算法是在本地執行的，不會考慮整個系統的輸入輸出特性。這使其成為生物學習方法的合理理論，也使赫布學習過程在本地訊號更容易獲得的 VLSI 硬體實現中成為理想選擇。