神经系统识别爆发性锋电位序列的机制讨论

讨论神经系统识别爆发型锋电位序列信息的机制,认为序列的信息存储在爆发锋电位组内间隔和组间间隔2个时间变量中,建立了一个神经回路,通过突触传递过程中的易化、反馈调节机制以及时间依赖的学习机制等突触可塑性机制,给出了神经系统识别爆发性锋电位序列信息的一种可能机制,其中包括分解机制和整合机制两部分.首先通过神经元选择性响应的动力学性质,将锋电位序列的信息分解,并将每组锋电位内部间隔的信息通过不同神经元学习存储.通过突触延迟时间的动力学调整,将2组锋电位之间的时间间隔学习、存储在回路中.经过多次学习训练,神经回路对输入信号形成特定的突触连接结构以及时空响应输出模式,实现对爆发性锋电位序列信息的识别.     

向量玻尔兹曼机

提出了一个用以处理人工神经网络多状态问题的向量玻尔兹曼机模型，由ｍ个二值状态有序的子神经元组成的向量神经元，可以用来描述一个单元上２＾ｍ个不同状态，研究了这一类向量二值网络的结构以及它类似于普通玻尔兹曼机的演化规则，结果表明，由子神经元组成的每个子网络都是通常的玻尔兹曼机，向量玻尔兹曼机是由这些子网络耦合而成的，这个模型不仅能够大大降低处理多状态问题时网络的规模，而且可以将普通玻尔兹曼机的渐近性质     

视知觉训练与初级视皮层神经元信息及其表征容量

通过分析猕猴初级视皮层（V1）神经元的群体活动在轮廓线检测训练过程中的变化发现：知觉训练可以降低V1神经元响应在不同试次之间的变异性，促使V1神经元对相同刺激的响应更加稳定；训练还可降低V1神经元群体中神经元活动之间的相关性，使V1神经元之间的活动更加独立；增加了神经活动的维度，提高了神经元表征信息的容量，减少了冗余的神经活动，进而提升了感知能力.     

受限玻尔兹曼机的步态特征提取及其识别

针对步态识别问题,研究了受限玻尔兹曼机的步态特征提取及其识别.主要基于行人图像序列,通过背景分割、归一化以及步态周期的计算,采用叠加方法生成步态能量图,以此作为步态的特征图像,利用受限玻尔兹曼机自动获取步态特征.选取中科院CASIA步态数据库以及支持向量机、孪生支持向量机、神经网络与K-近邻方法对使用受限玻尔兹曼机方法的特征提取进行了研究,同时与主成分分析PCA、线性判别分析LDA、卷积神经网络CNN特征提取与识别方法进行了比较.     

基于数据驱动的闭环脑机接口设计

基于神经元峰电位的植入式脑机接口开展相关研究,通过搭建大脑皮层仿真模型,并在控制理论分析的基础上进行自发单关节运动任务。使用自适应维纳滤波器完成神经元放电活动的线性解码器设计。通过分析发现在视觉反馈信息缺失时,解码器性能严重下降。针对此问题,使用基于数据驱动算法的紧格式无模型控制算法产生刺激信号来刺激仿真大脑皮层感觉区神经元,使其跟踪存在感官反馈时感觉区神经元的放电活动。由于感觉区神经元放电信息的恢复,解码器在感觉反馈信息缺失时的性能也得到了恢复。最后,通过仿真验证了基于数据驱动算法的人工感官反馈有效性,并与整定的PID控制算法对比,结果验证了本文设计的闭环系统的有效性。     

基于受限玻尔兹曼机的Web服务质量预测方法

针对协同过滤算法无法有效处理数据稀疏的问题,提出1种基于受限玻尔兹曼机的Web服务质量(QoS)预测方法;第1阶段使用受限玻尔兹曼机模型对所有缺失的QoS值进行预测,并对原始的QoS矩阵进行填充;在第2阶段基于该QoS矩阵进行全局邻居筛选,同时将受限玻尔兹曼机引入到用户近邻的协同过滤模型中,以预测目标QoS值。研究结果表明:该方法能提高QoS预测精确度,在一定程度上降低数据稀疏对预测的影响。     

信鸽视顶盖中间层ON-OFF神经元在空间统一白噪声刺激下的编码

感知系统神经科学的一个基本目标是刻画刺激和神经元响应之间的功能性关系。空间统一白噪声（spatial uniform white noise,SUN）刺激包含了丰富的时间变化信息,SUN 刺激下的神经响应揭示了其时间编码属性。基于视网膜神经节细胞-视顶盖（retinal ganglion cells - optic tectum,RGC-OT）神经回路的信息整合假设,本文提出了信鸽视顶盖浅中层 ON-OFF 神经元 SUN 刺激响应的双滤波器半波整流模型,用于 SUN 刺激响应的预报。为解决凸优化问题,利用二次曲线对半波整流进行近似,将双滤波器模型转换为广义二次模型（generalized quadratic model,GQM）,然后进行优化,预报结果表明二次模型相比较传统的线性-非线性-泊松分布（linear nolinear possion,LNP）模型,获得了更好的预报效果。该结果也验证了 OT 神经元以不同的通路进行时变的亮度增强和降低的信息处理的假设。     

基于受限玻尔兹曼机和T-S模型的料位软测量方法的研究

球磨机是火力发电厂的基础设备,可靠测量料位是实现系统优化的关键。针对球磨机音频信号中存在强噪声、非线性等问题,结合受限玻尔兹曼机(RBM)、减法聚类和T-S模糊模型,提出了一种软测量方法。首先采用微调后的受限玻尔兹曼机提取特征,去除存在的噪声,然后使用减法聚类辨识模糊模型的初始结构,最后采用T-S模糊模型预测球磨机料位。通过在球磨机运行数据上进行模型验证,验证了该方法的实用性和可行性。     

广义线性模型在神经电生理信号分析中的应用

大脑在完成思维等功能活动时,脑中的神经细胞会产生表征不同生理状态的电活动,大脑不同功能区也会呈现不同的放电特征,例如,参与学习记忆等认知活动的海马脑区以产生尖波涟漪事件为典型特征。本研究利用多通道电生理技术记录到神经元胞外电信号,通过海马区节律性场电位进行了3种常见生理状态(清醒、快速眼动睡眠和非快速眼动睡眠阶段)的划分,并介绍了利用海马区尖波涟漪事件研究海马区和皮层区的放电特征的方法。最后,利用5折交叉验证的广义线性模型预测神经信号的方法,以特定时间窗内神经元群体放电个数矩阵为自变量,该时间窗或其他时间窗内的单个神经元放电个数向量或尖波涟漪事件是否出现为因变量,进行预测,与解耦不同生理意义下的神经活动结果进行对比。本研究将有助于分析及解码不同生理状态下大脑功能区的神经信号特征,尤其是对研究学习记忆功能及其相关脑区之间的相互作用提供方法学依据。     

基于受限玻尔兹曼机的中文文档分类

最近,许多不同类型的人工神经网络（Artificial Neural Network）已经应用于文档分类,并且得到了较好的结果。但是,大多数的模型仅使用了少量特征作为输入,因此可能没有足够的信息来对文档进行准确分类。如果输入更多的特征,将可能发生所谓的维数灾难,导致模型的训练时间大幅度增加,其泛化能力也可能会恶化。因此,在原始高维的输入特征中抽取出高度可区分的低维特征,并将其作为相应模型的输入对改善模型的泛化性能会有很大的帮助。受限玻尔兹曼机（Restricted Boltzmann Machine）是一种新型的机器学习工具,因为其强大的学习能力,受限玻尔兹曼机已经被广泛应用于各种机器学习问题。在本文中,我们使用受限玻尔兹曼机从原始输入特征中抽取低维高度可区分的低维特征,并且使用支持向量机（Support Vector Machine）作为回归模型。