今年瑞典皇家科学院将诺贝尔物理学奖授予了约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），以表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。

约翰·J·霍普菲尔德在20世纪80年代提出霍普菲尔德神经网络（Hopfield Neural Network）。自提出以后，得到了数学、计算机科学等领域研究者的充分注意，并且取得了很多成果。它在模式识别（ 语音图像识别） 、图像处理、TSP 等问题上得到了成功的应用。高莹博士的论文《判定离散Hopfield 神经网络稳定性的新方法》考虑神经元的权值矩阵元素和阀值之间的关系，依此判断能量函数的收敛性，得到了一个矩阵对称的新判据；在新判据的基础上作出数学变形和分析，并用线性方程的解去刻画稳定点的存在性，得到了稳定点存在的一个充要条件。将离散Hopfield 神经网络的稳定点存在问题转化为在有限区域内连续函数的零点解的问题。得到了判断离散Hopfield 神经网络稳定性的新判据。

杰弗里·E·辛顿以霍普菲尔德网络为基础，创建了一个新网络——玻尔兹曼机（Boltzmann Machine）。把神经网络带入到研究与应用的热潮。《基于改进NARX 神经网络算法的光伏发电功率短期预测》利用遗传算法优化受限玻尔兹曼机（restricted Boltzmann machine, RBM）模型参数，避免模型陷入局部最优；《基于DBN 与带注意力机制GRU 的CAN 总线入侵检测模型》利用受限玻尔兹曼机（RBM）的顺序堆叠构造DBN（deep belief nets）提取CAN报文的高维特征，提升了入侵检测的准确率和精确度。

本虚拟专辑集合了部分与机器学习相关的论文，为从事相关研究的学者提供参考。