更改

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

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

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

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

* 一个''激活函数'' <math>f</math> ，从 <math>{a_j}(t)</math>, <math>\theta_j</math>和网络输入<math>{p_j}(t)</math> 计算在给定时间<math>{t+1}</math>新的激活   

* 一个''激活函数'' <math>f</math> ，从 <math>{{a_j}(t)}</math>, <math>\theta_j</math>和网络输入<math>{p_j}(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_j}(t+1) = f({a_j}(t), {p_j}(t), \theta_j) </math>,

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

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