更改

====神经元（Neurons）====

====神经元（Neurons）====

A neuron with label <math>i</math> receiving an input <math>p_j(t)</math> from predecessor neurons consists of the following components:

一个有标记<math>i</math> 的神经元从前驱神经元接收输入 <math>p_i(t)</math> ，这些前驱由下面的部分组成：

* an ''activation'' <math>a_j(t)</math>, depending on a discrete time parameter,

* 一个''激活'' <math>a_i(t)</math>, 取决于一个离散时间参数，

* possibly a ''threshold'' <math>\theta_j</math>, which stays fixed unless changed by a learning function,

* 可能有一个''阈值'' <math>\theta_i</math>, 保持不变除非被学习函数改变,

* an ''activation function'' <math>f</math> that computes the new activation at a given time <math>t+1</math> from <math>a_j(t)</math>, <math>\theta_j</math> and the net input <math>p_j(t)</math> giving rise to the relation

* 一个''激活函数'' <math>f</math> ，从 <math>a_i(t)</math>, <math>\theta_i</math>和网络输入<math>p_i(t)</math> 计算在给定时间<math>t+1</math>新的激活 

: <math> a_j(t+1) = f(a_j(t), p_j(t), \theta_j) </math>,

: <math> a_i(t+1) = f(a_i(t), p_i(t), \theta_i) </math>,

* and an ''output function'' <math>f_{out}</math> computing the output from the activation

* 和一个 ''输出函数'' <math>f_{out}</math> 计算从激活的输出

: <math> o_j(t) = f_{out}(a_j(t)) </math>.

: <math> o_i(t) = f_{out}(a_i(t)) </math>.

一个“输入神经元”没有前驱，但作为整个网络的输入接口。同样地，一个“输出神经元”没有后继而作为整个网络的输出接口。

一个“输入神经元”没有前驱，但作为整个网络的输入接口。同样地，一个“输出神经元”没有后继而作为整个网络的输出接口。