我对神经网络的计算能力很感兴趣。人们普遍认为，递归神经网络是图灵完备的。现在我正在寻找一些证明这一点的论文。
到目前为止我发现了：
使用神经网络计算可计算性，Hava T. Siegelmann和Eduardo D. Sontag，1991
我认为从理论的角度来看这只是有趣的，因为它需要具有无限精确度的神经元活动（以某种方式将状态编码为有理数）。
S上。 Franklin和M. Garzon，神经可计算性
这需要无限数量的神经元，而且看起来并不那么实用。
（注意another question of mine试图指出这种理论结果与实践之间的这种问题。）
我主要搜索的是一些真正可以执行某些代码的神经网络，我也可以在实践中模拟和测试。当然，在实践中，他们会有某种有限的记忆。
有人知道这样的事吗？
答案 0 :(得分：1)
答案 1 :(得分：1)
有点偏离主题，但在您的搜索中可能有用（听起来像是硕士/博士论文）。根据我使用学习算法进行分类，分割等操作的经验，由于其强大的数学基础，贝叶斯学习优于所有形式的神经网络，遗传算法和其他漂亮的探测算法。
在我的书中，数学基础使得一种技术优于特殊方法。例如，贝叶斯网络的结果可以在数学上解释为概率（如果您愿意，甚至可以使用p值），而神经网络通常是猜测。不幸的是，贝叶斯统计数据听起来并不像“神经网络”那样性感，尽管它可以说是更有用和更有根据。
我很想看到有人在学术环境中正式解决这个问题。