AAM机理对一类神经元混沌的控制作用

利用在混沌控制中, AAM机理既不需要对体系的状况有太多了解、也不需要借助于外加信号的作用这个优点,来对一类神经元混沌模型进行混沌控制。通过调整自适应参数γ的值,得到一系列对应的控制混沌轨道。     

脉动型神经元网络的联想记忆与分割

以广泛讨论的Hodgk in-Hux ley神经元节点组成脉动神经元网络,从神经系统空时模式编码理论研究网络的记忆(或模式)存储与时间分割问题。给定一个输入模式,它是几种模式的叠加,网络能够以一部分神经元同步发放的形式一个接一个地在时间域分割出每一种模式。如果输入的模式是缺损的,系统能够把它们恢复成完好的原型,即神经网络的联想记忆功能。     

生物神经网络系统动力学与功能研究

生物神经系统是由数量极其巨大的神经元相互联结的信息网络系统,在生物体的感觉、认知和运动控制中发挥关键性的作用.首先介绍神经元、大脑和一些生物神经网络的生理结构和理论模型,然后分别介绍其放电活动和网络动态特性的一些重要问题,包括神经元的复杂放电模式、耦合神经元网络系统的同步活动和时空动力学、大脑联合皮层神经微回路的网络结构特征,以及工作记忆和抉择过程的动力学机制等. 最后对今后研究给出一些展望.      

生物计算机前景迷人

 生物分子电子技术是利用生物分子信息功能来装配电子元件和仪器的技术。目前,科学家已经了解和掌握了多种生物系统进行信息处理与传输信息的机理和模式:结构开关模式(利用电子从共价键传入和传出,改变分子状态);光学开关模式(利用特殊波长的光照射某些蛋白质,使蛋白质改变状态,选择和控制两种稳定结构表示开与关两种状态);“锁---匙”模式(利用酶的2种作用模式);非电子扰动模式(利用一个分子与蛋白质作用,使蛋白质振动而形成开关);此外还有以膜为基础的传感和控制模式、排列分子组合模式和生物分子非线性化学动力学模式等。     

在一种扩展多层感知器模型中实现命题知识的语义推演

§ 1.　Introduction　　Artificialintelligentisbasedonknowledgeexpression ,atthesametimeitisdependedonusingknowledge .Wecangetanalysisanddecisionandforecastbyusingknowledge .Inlogicsystem ,usingknowledgemeanslogicinferenceordeduction .Now ,manylogicsystemshavebeenproposedasformalmodelsforknowledgeexpressionandreasoning [1 ] ,[2 ] ,[6]— [9] .Althoughpropositionalcalculus(P(X) )isthesimplestlogicsystem ,itprovideswithuniversalmethodforotherlogicsystems.Asweknow ,reasoninginpropositionalcalculu…     

惯性平台稳定回路单神经元自校正PID控制

为了与新型高精度惯性平台相匹配,解决传统PID控制的稳定回路抗干扰性能不高的问题,利用神经网络具有自学习、自组织、联想记忆和并行处理等功能以及对于复杂系统控制可以达到满意效果的优势,设计了单神经元自校正PID控制器。这种控制器不但结构简单,而且适应环境变化,有较强的鲁棒性。设计中分别采用了无监督和有监督的Hebb学习算法以及改进的Hebb学习算法对系统进行控制。MATLAB仿真结果表明,单神经元自校正PID控制器在很多指标上均优于传统PID控制器,特别是其超调量,动态性能以及对干扰的抑制能力,是一种应用在实际平台系统中理想的控制器。     

天然植物复杂化学模式特征的分步提取法

在运用神经元计算技术对高维小样本复杂化学模式进行分类时,通过模式特征提取,降低输入变量维数,能使复杂的模式分类问题比较容易解决。根据模式类别相关分步分析思路,提出复杂化学模式特征分步提取法,可将原始模式数据中与类别指标相关较大的特征量有效地提取出来。应用于天然植物组效关系辨识结果表明,这种化学模式特征提取方法比经典主成分分析法更为实用可靠。     

基于神经网络的模糊决策方法

给出用神经网络去处理模糊决策问题的方法,此方法避免了模糊决策计算量大、计算复杂,隶属函数确定带有主观性等问题。     

Self-Organized Criticality in a Simple Neuron Model Based on Scale-Free Networks

A simple model for a set of interacting idealized neurons in scale-free networks is introduced. The basic elements of the model are endowed with the main features of a neuron function. We find that our model displays powerlaw behavior of avalanche sizes and generates long-range temporal correlation. More importantly, we find different dynamical behavior for nodes with different connectivity in the scale-free networks.