【摘要】：生物神經(jīng)元網(wǎng)絡(luò)(Biological Neural Network,BNN)是一個(gè)異常復(fù)雜的動(dòng)力學(xué)非線性網(wǎng)絡(luò)系統(tǒng)。探明生物神經(jīng)元網(wǎng)絡(luò)的功能性連接圖譜、深入研究生物神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)對(duì)其網(wǎng)絡(luò)功能的支配關(guān)系,是腦科學(xué)研究的一個(gè)重要領(lǐng)域。將針對(duì)神經(jīng)元脈沖點(diǎn)火的本質(zhì)非線性動(dòng)態(tài)特性,將線性格蘭特因果性建模與因果性辨識(shí)的思想推廣至非線性空間中,采用徑向基函數(shù)(Radial Basis Function,RBF)擬合生物神經(jīng)元網(wǎng)絡(luò)非線性多變量動(dòng)態(tài)響應(yīng)特性,通過(guò)檢測(cè)對(duì)后突觸神經(jīng)元脈沖點(diǎn)火信號(hào)的預(yù)測(cè)精度是否改善,揭示來(lái)自前突觸神經(jīng)元的功能性連接作用,從而探明所研究的生物神經(jīng)元網(wǎng)絡(luò)的有向信息流分布。為驗(yàn)證所提出方法的有效性,將非線性格蘭特因果性網(wǎng)絡(luò)結(jié)構(gòu)辨識(shí)法應(yīng)用在基于積分點(diǎn)火(Integrate-and-Fire,IF)機(jī)制的脈沖神經(jīng)元網(wǎng)絡(luò)(Spiking Neural Network,SNN)仿真模型的網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)過(guò)程。主要工作內(nèi)容如下:(1)對(duì)生物神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和仿真。主要通過(guò)人工構(gòu)造生物真實(shí)性的SNN模型來(lái)模擬真實(shí)的神經(jīng)元放電行為。首先,建立基于IF機(jī)制的SNN模型;然后,確定模型中的參數(shù),并對(duì)一個(gè)神經(jīng)元和多個(gè)神經(jīng)元網(wǎng)絡(luò)進(jìn)行仿真。SNN模型來(lái)模擬真實(shí)生物神經(jīng)元在接受刺激時(shí)的放電行為,并通過(guò)網(wǎng)絡(luò)仿真產(chǎn)生多通道脈沖神經(jīng)元序列數(shù)據(jù)。(2)用非線性格蘭特因果性的方法辨識(shí)網(wǎng)絡(luò)結(jié)構(gòu)。利用脈沖神經(jīng)元網(wǎng)絡(luò)仿真所產(chǎn)生的多通道脈沖神經(jīng)元序列數(shù)據(jù),反向辨識(shí)出網(wǎng)絡(luò)中存在的因果性突觸連接和強(qiáng)度。利用RBF擬合非線性模型,將經(jīng)典格蘭特因果思想擴(kuò)展到非線性空間,通過(guò)比較神經(jīng)元之間相互作用的因果關(guān)系,判斷它們之間的因果影響,從而對(duì)生物神經(jīng)元網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)辨識(shí)。(3)通過(guò)MATLAB仿真得到辨識(shí)結(jié)果。采用線性格蘭特因果方法和基于RBF的非線性格蘭特因果方法分別來(lái)辨識(shí)相同的生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),辨識(shí)結(jié)果表明:對(duì)于2個(gè)節(jié)點(diǎn)、3個(gè)節(jié)點(diǎn)、4個(gè)節(jié)點(diǎn)、5個(gè)節(jié)點(diǎn)、6個(gè)節(jié)點(diǎn)個(gè)節(jié)點(diǎn)的小規(guī)模網(wǎng)絡(luò),10個(gè)節(jié)點(diǎn)、15個(gè)節(jié)點(diǎn)、20個(gè)節(jié)點(diǎn)、25個(gè)節(jié)點(diǎn)、30個(gè)節(jié)點(diǎn)個(gè)節(jié)點(diǎn)的中規(guī)模網(wǎng)絡(luò),50個(gè)節(jié)點(diǎn)、60個(gè)節(jié)點(diǎn)、80個(gè)節(jié)點(diǎn)、100個(gè)節(jié)點(diǎn)的大規(guī)模網(wǎng)絡(luò),非線性格蘭特因果性方法10輪的平均辨識(shí)正確率顯著高于同規(guī)模網(wǎng)絡(luò)的線性格蘭特因果性辨識(shí)方法的辨識(shí)正確率。
【圖文】：

雖然和美國(guó)相比還有些不足，但明顯超過(guò)除去美國(guó)的其他國(guó)家。具體比例如圖1-1 所示：圖 1-1 腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域?qū)＜覈?guó)別統(tǒng)計(jì)Fig 1-1 Brain science, neuroscience experts country statistics而對(duì)于研究腦科學(xué)、神經(jīng)科學(xué)的企業(yè)數(shù)量中，第一位的美國(guó)企業(yè)占據(jù)了37%，而我國(guó)則是只有 7%，比第二位的日本還要少 500 家左右，如圖 1-2 所示。各國(guó)在腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域的側(cè)重上，我國(guó)的發(fā)展?fàn)顩r主要以腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域的應(yīng)用為主，而日本、德國(guó)和美國(guó)等都基本側(cè)重于技術(shù)原理的研究。圖 1-2 腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域企業(yè)國(guó)別統(tǒng)計(jì)Fig 1-2 National statistics of enterprises in the field of brain science and neuroscience

圖 1-1 腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域?qū)＜覈?guó)別統(tǒng)計(jì)Fig 1-1 Brain science, neuroscience experts country statistics對(duì)于研究腦科學(xué)、神經(jīng)科學(xué)的企業(yè)數(shù)量中，第一位的美國(guó)企業(yè)占據(jù)而我國(guó)則是只有 7%，，比第二位的日本還要少 500 家左右，如圖 1-2國(guó)在腦科學(xué)、神經(jīng)科學(xué)領(lǐng)域的側(cè)重上，我國(guó)的發(fā)展?fàn)顩r主要以腦科學(xué)領(lǐng)域的應(yīng)用為主，而日本、德國(guó)和美國(guó)等都基本側(cè)重于技術(shù)原理的
【學(xué)位授予單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：Q42;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 鄒蕾;張先鋒;;人工智能及其發(fā)展應(yīng)用[J];信息網(wǎng)絡(luò)安全;2012年02期

2 鄒樂(lè)強(qiáng);;最小二乘法原理及其簡(jiǎn)單應(yīng)用[J];科技信息;2010年23期

3 何迎生;段明秀;;基于改進(jìn)kmeans聚類方法的RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[J];邵陽(yáng)學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

4 楊雄里;神經(jīng)生物學(xué)的回顧和展望[J];生物學(xué)通報(bào);2001年04期

5 汪國(guó)平;雙光子技術(shù)的應(yīng)用研究進(jìn)展[J];物理;2000年09期

相關(guān)博士學(xué)位論文 前2條

1 李亞鵬;大腦功能網(wǎng)絡(luò)及其動(dòng)力學(xué)研究[D];華中科技大學(xué);2014年

2 王志江;腦功能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及任務(wù)效應(yīng)的功能磁共振成像研究[D];北京工業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前2條

1 潘婷;Spiking神經(jīng)網(wǎng)絡(luò)及其在圖像處理技術(shù)上的應(yīng)用研究[D];電子科技大學(xué);2015年

2 李彬;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法研究[D];山東大學(xué);2005年

本文編號(hào)：2604792