本研究解决了在高斯噪声影响下，正交矩阵条件数变化的问题，特别针对在QR分解算法中正交性不完美的情况。通过推导在无完美正交假设下矩阵条件数增加的界限，我们得出了一系列关于最小二乘法和正交投影性能的新结果，推动了理论的发展。

介绍了一种新颖的脉冲神经网络模型，用于学习分布式内部表示。该模型在生物皮层锥体神经元中表现出与低发射率相当的Poisson统计量。通过线性分类器评估，该脉冲模型的学习表示与非脉冲BCPNN接近，并在MNIST和F-MNIST机器学习基准上与其他脉冲网络竞争力相当。

该研究使用复制法研究了广义线性回归和分类问题，提供了渐近泛化表现的闭式表达式。研究比较了正交投影和随机高斯投影在学习随机特征时的优越性，并讨论了隐藏流形模型中数据相关性的作用。