资源描述：
《生物神经元模型论文：生物神经网络系统中的辨识问题研究》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、生物神经元模型论文：生物神经网络系统中的辨识问题研究【中文摘要】生物神经网络由众多的生物神经元通过突触耦合组成,是目前发现的最复杂的非线性网络系统之一。在计算神经科学领域,研究者们试图基于单个神经元的数学模型,通过参数辨识建立更准确的生物神经网络系统。从而从机理和计算角度揭示生物神经元和神经网络的工作机制,为以后的大规模仿真脑的功能作出铺垫,最终建立脑的计算模型。因此如何通过可测的神经元动态,辨识生物神经网络中的各类参数,成为了研究的热点。现代优化算法兴起于上世纪末,具有启发式的特点,主要用于解决实际应用中较复杂的优化问
2、题。其中实数编码遗传算法是一种基于自然选择和遗传机制的算法,在实数空间求解,具有精度高且不用二进制编码的优势。广义极值优化算法是受到自组织临界理论启发而提出的算法,算法实现简单,具有的波动性使其有较好的持续搜索能力。本文研究了生物神经网络系统中的辨识问题,利用了这两种现代优化算法的特点,并结合实际中观测噪声的影响验证了研究方法的鲁棒性。本文主要完成了以下研究工作:(1)单个生物神经元模型的参数辨识。设计了两种目标函数,分别基于峰值检测和基于信号相似性,并结合实数编码遗传算法提出了新颖的辨识方法。与以往文献的方法相比,该方
3、法对观测噪声有一定的鲁棒性,无需二进制编码,仅需较少的测量数据,具有较好的实际意义。(2)生物神经元网络模型的连接强度辨识。设计了基于峰值检测和信号相似性的两种目标函数,结合实数编码遗传算法提出了辨识连接强度的方法。不仅解决了以往研究中无法辨识连接强度的难题,而且取得了满意的辨识效果,抗噪声能力较强,为连接强度辨识提供了新思路。(3)生物神经元网络系统的综合辨识。包括模型参数与拓扑结构的辨识,将新颖有效的广义极值优化算法引入到该问题中,并根据具体问题做出改进,与以往文献相比取得了更好的效果。同时该方法对观测噪声有一定的鲁
4、棒性,具有较好的应用前景。【英文摘要】Biologicalneuralnetworkiscomposedofalargenumberofbiologicalneuronscoupledbysynapses,andisfoundtobeoneofthemostcomplexnon-linearnetworksystems.Inthefieldofcomputationalneuroscience,basedonmathematicalmodelofsingleneurons,researcherstrytoestablis
5、hmoreaccuratebiologicalneuralnetworksystemsbyparameteridentification.Therefore,fromtheviewofcalculation,theycanrevealtheworkmechanismofboththebiologicalneuronsandneuralnetworksystems,whichgivesfoundationofthelarge-scalesimulationofbrainfunction,andforeshadowsinto
6、theeventualestablishmentofthecalculationmodelofthebrain.Andasaresult,howtoidentifyvariestypesofparametersinbiologicalneuralnetworksystemswithmeasurableneuraldynamicshasbecomearesearchhotspot.Modernoptimizationalgorithmsriseformlastcentury,withacharacteristicofheu
7、ristic,andaremainlyusedtosolvecomplexoptimizationproblemsinpracticalapplications.Oneofthemisreal-codedgeneticalgorithm,whichisbasedonmechanismofnaturalselectionwithrealsolutionspace,highprecisionandnobotherofbinaryencoding.Anotheroneisgeneralizedextremaloptimizat
8、ion,whichisinspiredbythetheoryofself-organizecriticality,withsimpleimplementation,fluctuationandbettersearchingcapabilities.Inthispaper,theidentificationproble
