维量重叠框架下的认知网络模型通过计算机模型的模拟

《维量重叠框架下的认知网络模型通过计算机模型的模拟》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、苏州大学学位论文独创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律责任。论支作者签名：茸。～日期：塑趔苏州大学学位论文使用授权声明IIIIIIMIIIIIIIIIIMJIIIIIIIIIIIIIllIY2134545本人完全了解苏州大学关于收集、保存和使用学位论文

2、的规定，即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸质论文的内容相一致。苏州大学有权向国家图书馆、中国社科院文献信息情报中心、中国科学技术信息研究所(含万方数据电子出版社)、中国学术期刊(光盘版)电子杂志社送交本学位论文的复印件和电子文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段保存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数据库进行检索。涉密论文口本学位论文属在——年一月解密后适用本规定。非涉密论文口．论文作者签名：导师签名：日期：垄坠生：兰至一日期：丝丝：幺乡维量重叠框架下的认知

3、网络模型：通过计算机模型的模拟中文摘要根据维量重叠理论(Kornblumeta1．，1990)，刺激．反应协同性效应(ProctorandReeve，1990)在实验任务中可分为刺激．刺激的集合或刺激．反应的集合。根据这样的分类，我们可以研究在认知控制网络中的模块化组织，检验大脑中是否存在有一个冲突监测(CM)模块以及一个执行控制(EC)模块对刺激．刺激以及刺激．反应的冲突进行调控(1CMlEC模型)；或者，可能存在有两个互相独立的冲突监测模块，分别检测刺激．刺激与刺激．反应的冲突，而两种冲突共用一个执行控制模块(2CMlE

4、C模型)。先前的行为实验以及脑成像研究(Liueta1．，2010)已经为2CMlEC模型提供了证据。在本研究中，我们根据以上两种假设分别建立了两个具有生物现实性的模型，对西蒙．色彩一Stroop实验的人类被试行为数据结果进行了模拟，验证对于两种不同的认知控制网络模块存在的可能性。型关键词：维量重叠冲突监测执行控制西蒙一色彩一Stroop任务计算机模作者：朱彦指导教师：黄辛隐英文摘要维量重叠框架下的认知网络模型：通过计算机模型的模拟Dimen!donaloverlapmoduleofgnitivecontrolDlmensi

5、OnaloverlaomoulesoIcognitivecontrolnetwork：AcomputationalmodelingApproachAbstractAccordingtothedimensionaloverlap(DO)ffamework(Komblumeta1．，1990)，stimulusresponsecompatibility(SRC)effects(ProctorandReeve，1990)callbecategorizedandattributedtoDO(i．e．，similarityofprop

6、erties)betweenstimulus—stimulus(S—S)setsorbetweenstimulus-response(S—R)setsinexperimentalcomext．Basedonthisaccount，wecanexaminethemodularorganizationofthecognitivecontrolnetworkandtestwhetherthereexistacommonconflictmonitoring(CM)moduleandexecutivecontrol(EC)module

7、responsibleforbothS．SandS—Rconflicts．(1CM1ECmodel)．Alternatively，wehypothesizedthatCMmodulesmaybedistinctforS-SandS-Rconflicts，butbothconflictsmaybemodulatedbyacommonECmodule(2CMlECmodel)．Ourpreviousbehavioralandbrainimagingstudieshaveprovidedevidencesforthe2CM1ECm

8、odel(Liueta1．，2004，Liueta1．，2010)．Inthisstudy，wedevelopedandevaluatedtwobiologicallyrealisticneuralnetworkmodels(1CM1ECand2CM1EC)，bysimulatingbeh