最近投到《Frontiers in Computational Neuroscience》的文章
"Learning Structure of Sensory Inputs with Synaptic Plasticity Leads to Interference”
终于被录用了。虽然这个期刊算不上很好，我还是非常高兴，因为这篇文章对基于脉冲神经元（spiking neurons）的神经网络模型liquid state machine （LSM）作了深入仿真分析，获得了一些非常有趣的发现。其中最重要的一个是，神经元轴突可塑性（synaptic plasticity)能够帮助LSM学习输入信号（传感输入）中含有的结构信息。一般情况下在LSM这个神经网络模型中引入轴突可塑性之所以不能明显提高模式识别精度是由于不同模式结构之间的干涉使已经获得的输入结构信息又丢失了。
《计算神经科学前沿》是Frontiers开源系列期刊之一。它的审稿方式较为特殊（不清楚这个系列中其它期刊的审稿方式是否一样）-- 审稿人和作者之间采用一种交互式的方式进行问答。审稿人提出审稿意见后会通知作者，然后作者可以登录投稿系统对审稿人的意见进行回复。这个过程可以进行多次。
个人觉得这种审稿方式还是不错的，至少可以避免因为审稿人误解而被拒稿。
J. Chrol-Cannon, Y. Jin. Learning Structure of Sensory Inputs with Synaptic Plasticity Leads to Interference. Front. Comput. Neurosci. doi: 10.3389/fncom.2015.00103
摘要和全文见：
http://journal.frontiersin.org/article/10.3389/fncom.2015.00103/abstract
转载本文请联系原作者获取授权，同时请注明本文来自金耀初科学网博客。
链接地址：https://wap.sciencenet.cn/blog-616333-907710.html?mobile=1
收藏
