分解定理的网络结构分析

本文首先将逻辑神经元推广为模糊逻辑神经元，在此基础上证明了有关分解定理建模的两个重要定理，最后给出了分解定理的网络表示．     

电场作用下HR神经元的分岔分析及参数辨识

详细分析了电场作用下四维Hindmarsh-Rose（HR）神经元模型的分岔模式及放电行为。通过数值仿真得到该神经元模型的多组双参数分岔图、最大Lyapunov指数图、峰峰间期分岔图等,发现该模型在双参数平面上存在倍周期分岔、加周期分岔等模式及“锯齿状”混沌结构。通过构建合适的目标函数,提出了自适应混合粒子群遗传算法,将神经元模型的参数辨识转化为最优化问题。数值仿真结果表明,算法对神经元模型的参数辨识效果较好,能更准确地辨识未知参数,具有一定优越性。     

第七届全国研究生数学建模竞赛

<正>2010年第七届全国研究生数学建模竞赛在承办单位中山大学的精心组织下取得了圆满成功.有32个省(市、自治区)的230所高校、研究所的1995队、近6000名研究生,(其中包括300多名博士生)参赛.七年来竞赛规模逐年扩大,参赛单位数增长近三倍,参赛队数增长近五倍,参赛研究生遍及全国的事实充分显示这项得到教育主管部门大力支持的研究生创新活动具有的旺盛生命力,已经在研究生群体中生根发芽,逐渐成为研究生群体中的最具影响力的活动之一.     

NbOx忆阻神经元的设计及其在尖峰神经网络中的应用

NbO_x忆阻器凭借其纳米尺寸、阈值切换及局部有源特性在神经形态计算领域展现出巨大的应用前景.对NbO_x忆阻器动力学特性的深入分析和研究有利于忆阻神经元电路的设计和优化.本文基于局部有源理论,采用小信号分析方法对NbO_x忆阻器物理模型展开了研究,定量分析了产生尖峰振荡的区域和条件,并确定了激励信号幅值和尖峰频率之间的定量关系.基于上述理论分析,进一步设计了NbO_x忆阻器神经元,并结合忆阻突触十字交叉阵列,构建了25×10的尖峰神经网络(spiking neuron network,SNN).最后,分别利用频率编码和时间编码两种方式,有效地实现了数字0到9模式的识别功能.     

基于忆阻器的脉冲神经网络硬件加速器架构设计

脉冲神经网络(spiking neural network, SNN)作为第三代神经网络,其计算效率更高、资源开销更少,且仿生能力更强,展示出了对于语音、图像处理的优秀潜能.传统的脉冲神经网络硬件加速器通常使用加法器模拟神经元对突触权重的累加.这种设计对于硬件资源消耗较大、神经元/突触集成度不高、加速效果一般.因此,本工作开展了对拥有更高集成度、更高计算效率的脉冲神经网络推理加速器的研究.阻变式存储器(resistive random access memory, RRAM)又称忆阻器(memristor),作为一种新兴的存储技术,其阻值随电压变化而变化,可用于构建crossbar架构模拟矩阵运算,已经在被广泛应用于存算一体(processing in memory, PIM)、神经网络计算等领域.因此,本次工作基于忆阻器阵列,设计了权值存储矩阵,并结合外围电路模拟了LIF(leaky integrate and fire)神经元计算过程.之后,基于LIF神经元模型实现了脉冲神经网络硬件推理加速器设计.该加速器消耗了0.75k忆阻器,集成了24k神经元和192M突触.仿真结果显示,在5...     

气动肌肉关节的神经元PID轨迹跟踪控制

气动肌肉关节具有柔顺性,使角度跟踪控制困难;通过建立气动肌肉关节静态平衡方程,分析了气压与摆角间非线性关系。为克服单神经元PID控制算法收敛速度慢、精度低的缺点,基于Hebb学习规则,从反馈周期、比例增益系数和衰减因子三方面改进算法;搭建了实物平台,通过实验和对比分析可得:(1)适当减小闭环反馈周期,可提高跟踪精度,但闭环反馈周期太小会引起震荡;(2)将比例增益系数定义为误差的连续有界Sigmoid函数,可增强算法的自适应能力,提高跟踪精度;(3)增加衰减因子,模拟人的遗忘学习机制,可提高权值的收敛速度。     

陈蒜提取物抑制大鼠黑质神经元损伤及NF-κB核转位

以6-羟基多巴(6-OHDA)建立帕金森病(PD)模型大鼠,研究陈蒜提取物对模型大鼠黑质多巴胺能神经元凋亡以及核转录因子κB(NF-κB)核转位的影响。实验大鼠分别给予低、中、高剂量陈蒜提取物,观察大鼠行为变化与阿朴吗啡诱导的旋转运动,并采用免疫组化技术检测实验大鼠黑质多巴胺神经元的酪氨酸羟化酶(TH)和NF-κB表达情况。结果显示,陈蒜提取物能显著抑制阿朴吗啡诱导的模型大鼠旋转,可抑制黑质多巴胺能神经元的损伤与NF-κB的核转位。推测陈蒜提取物抑制黑质神经元凋亡的机理与抑制NF-κB的激活有关。     

基于SCFNN之PAM非线性信道均衡器成效研究

自组织型模糊类神经网络(SCFNN)可依据一定的法则自我构建神经网络的组织结构,从而适用于当前控制对象;多层神经元是传统的类神经网络,广泛应用于各个领域;倒传递学习法与最陡坡降法相结合,可使以上两种类神经网络进行有效的融合;目前,信道均衡器上的系统架构种类非常多,各种类神经网络应用于信道均衡器也颇为普遍;在研究SCFNN的基础上,将其应用于通道均衡器确实可行,效果良好;比较了SCFNN与MLP在通道均衡器的成效;仿真表明,在相同通道环境下,SCFNN的训练收敛速度、位错误率与系统敏感度优于MLP,完成结构学习后SCFNN的结构也颇为精简。