人工神经网络/赫布学习
< 人工神经网络
赫布学习是最古老的学习算法之一，很大程度上基于生物系统的动力学。两个神经元之间的突触在突触两侧的神经元（输入和输出）具有高度相关的输出时会加强。本质上，当输入神经元激发时，如果它经常导致输出神经元的激发，则突触会加强。遵循人工系统的类比，两个连续神经元之间具有高度相关性时，权重会增加。
数学上，我们可以将赫布学习描述为
![{\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)
这里，η 是学习率系数，而 和 分别是第 i 个和第 j 个元素在时间步 n 处的输出。
![{\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)
赫布学习算法是在本地执行的，不会考虑整个系统的输入输出特性。这使其成为生物学习方法的合理理论，也使赫布学习过程在本地信号更容易获得的 VLSI 硬件实现中成为理想选择。