基于自然图像认知的大鼠上丘神经元恐惧信息编码机制

为了探究大鼠对自然图像的认知效果以及在自然图像认知过程中上丘(superior colliculus, SC)神经元的恐惧信息编码机制,采用条件性恐惧联结训练方法,设计了基于三种不同情感属性自然图像的实验方案(恐惧:"蛇"、中性:"树"、奖励:"鼠粮"),对大鼠进行了视觉认知训练。首先,从行为学分析了大鼠对具有不同情感意义自然图像的认知效果;其次,采用第一动作电位延时(first spike latency, FSL)以及Spike(峰电位)平均发放率两种编码方法,研究了大鼠上丘神经元在自然图像认知学习过程中的恐惧信息编码机制。结果表明,大鼠对奖励、恐惧、中性三种图像的抉择正确率分别在第6、22、26 d达到了75%基准线。训练后,在恐惧图像的刺激作用下,大鼠上丘神经元集群的平均FSL值显著低于训练前,且神经元集群的Spike发放率显著提高。这些结果揭示了恐惧信息能够激活大鼠上丘脑区,并通过SC脑区实现恐惧信息快速传递与表征。     

大鼠杏仁核在条件性恐惧视觉建立过程中的集群编码研究

研究了大鼠在条件性恐惧视觉建立过程中杏仁核对恐惧视觉信息的编码。首先,设计两种不同拓扑结构("十"和"O")图形,利用巴普洛夫条件反射原理建立大鼠条件性恐惧视觉联结,采用多通道神经信号采集系统采集恐惧视觉建立过程中的杏仁核神经元集群响应信号。然后,对神经元响应信号进行有效响应区间的自适应选取,分别采用神经元集群发放频率和集群熵研究条件性恐惧视觉建立的不同阶段杏仁核的集群编码,发现神经元集群在条件性恐惧建立后发放率、熵均有显著增加。最后,采用支持向量机构建条件性恐惧建立过程中不同恐惧水平的分类模型,验证两种编码的效果。结果表明集群熵编码包含更多的非线性信息和时空整合信息,能更有效地实现恐惧视觉建立过程中视觉信息的"恐惧"水平的表征,由此推测大鼠杏仁核神经核团是以集群的方式对恐惧信息进行编码的。     

基于多元线性逆滤波器的视顶盖神经元集群亮度信息解码研究

通过解码鸽子视顶盖(the optic tectum,OT)神经元集群亮度信息的方法,研究了OT区神经元集群编码亮度信息的神经机制。首先设计了具有瞬态闪变特性的亮度视觉刺激模式,采用微电极阵列记录了多通道的锋电位(spike)发放序列;然后提取了神经元集群的spike发放率特征,构造多元线性逆滤波器解码视觉刺激亮度;最后采用互相关和信息论的方法对解码结果进行了分析。结果表明:采用的多元线性逆滤波器有效解码了OT区神经元集群编码的亮度信息。通过对解码参数变化与解码精度的分析可知神经元集群数目13个、bin的宽度5 ms、刺激后15 ms、刺激后持续时间35 ms具有最高的解码精度。通过神经元集群中逆滤波器形态的分析发现,单神经元在亮度信息的编码过程中受周围神经元的动态调制。通过对解码精度与刺激闪变频率关系的分析,发现在刺激闪变频率19 Hz到53 Hz的范围内,重建质量较好,在刺激闪变频率为33.5 Hz时,重建质量达到最优。     

基于属性相关的朴素贝叶斯分类算法

朴素贝叶斯分类器是一种简单、高效的分类算法,它以贝叶斯定理和最大后验假设为理论基础,然而朴素贝叶斯分类器属性之间相互独立的假设,影响了朴素贝叶斯分类器的性能.提出先使用基于相关的属性选择算法进行属性选择,然后在选择的属性集上,用朴素贝叶斯分类器对数据集进行分类.实验证明,与未使用属性选择的实验结果相比,使用基于相关的属性选择算法进行属性选择后,朴素贝叶斯分类器平均分类正确率提高,分类效率显著提升.     

鸽子视顶盖颜色信息的解码

研究了鸽子视顶盖神经元对颜色信息的编码机制并解码了三种颜色刺激。首先,针对鸽子视网膜四种类型敏感细胞设计了红、绿、蓝三种色块刺激模式。然后,对视觉实验采集到的神经元响应信号绘制其刺激后时间直方图(peri-stimulus time histogram,PSTH)。确定出神经元有效响应区间后发现,视顶盖神经元以集群的方式对颜色信息进行编码,对于不同的顶盖神经元,三种色块刺激的PSTH曲线存在不同的响应规律;对于同一个顶盖神经元,多次实验下三种色块刺激的PSTH曲线有着近乎一致的规律。最后,分别采用主成分分析法(primary component analysis,PCA)和等度规映射法(isometric mapping,ISOMAP)对集群特征进行降维,采用概率型神经网络(probabilistic neural network,PNN)对三种色块进行解码,结果表明,不同的特征降维方法,都具有较高的识别率,再次验证了鸽子视顶盖神经元是以集群的方式对颜色信息进行编码。     

一种基于强属性限定的加权贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但它的条件独立性假设使其无法将属性间的依赖关系表达出来,影响了它分类的正确率,加权朴素贝叶斯是对它的一种扩展.基于强属性限定的贝叶斯分类器SANBC,通过在强弱属性之间添加增强弧以弱化朴素贝叶斯的独立性假设,扩展了朴素贝叶斯分类器的结构;结合加权朴素贝叶斯和基于强属性限定的贝叶斯分类器SANBC的优点,提出一种基于强属性限定的加权贝叶斯分类器WSANBC;实验结果表明,WSANBC分类器具有较高的分类正确率.     

基于信鸽视顶盖神经集群响应的目标类别解码研究

通过提取信鸽视顶盖(The Optic Tectum, OT)的中间层神经元集群高频峰电位(spike)响应信号,利用小波和信息论的方法提取并筛选不同时间尺度上的响应特征,构建集群响应的特征向量,从而实现对目标类别的解码。首先,根据感受野特征筛选有效响应通道;然后通过特定目标对信鸽进行刺激实验,采用微电极阵列记录多通道的spike发放序列;其次设定时间窗口(bin)长度,采用小波和信息论的方法提取并筛选响应特征;最后利用朴素贝叶斯分类算法实现目标类别解码。结果表明,一方面本文方法所提取的响应特征能够实现对目标类别的解码和识别;另一方面,通过对bin取1ms的响应信号所提取特征进行统计分析,发现提取的包含目标类型信息高的小波系数大都属于较大分解层次上的系数,表明鸽子OT区可能利用这些尺度上的时间模式对目标的信息进行了编码,这为研究OT中间神经元的时间响应结构奠定了基础。     

基于信鸽视顶盖神经集群响应的目标类别解码

通过提取信鸽视顶盖(the optic tectum,OT)的中间层神经元集群高频峰电位(spike)响应信号,利用小波和信息论的方法提取并筛选不同时间尺度上的响应特征,构建集群响应的特征向量,从而实现对目标类别的解码。首先,根据感受野特征筛选有效响应通道;然后通过特定目标对信鸽进行刺激实验,采用微电极阵列记录多通道的spike发放序列;其次设定时间窗口(bin)长度,采用小波和信息论的方法提取并筛选响应特征;最后利用朴素贝叶斯分类算法实现目标类别解码。结果表明,一方面所提取的响应特征能够实现对目标类别的解码和识别;另一方面,通过对bin取1 ms的响应信号所提取特征进行统计分析,发现提取的包含目标类型信息高的小波系数大都属于较大分解层次上的系数,表明鸽子OT区可能利用这些尺度上的时间模式对目标的信息进行了编码,这为研究OT中间神经元的时间响应结构奠定了基础。     

一种选择性的加权朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但它的条件独立性假设影响了它分类的正确率.加权朴素贝叶斯是对它的一种扩展.通过分析属性相关性的度量和属性约简,选择一组最近似独立的属性约简子集,并结合加权朴素贝叶斯和选择性贝叶斯分类器的优点,提出一种选择性的加权贝叶斯分类器SWNBC.实验结果表明,与朴素贝叶斯分类器相比,WSANBC分类器具有较高的分类正确率.     

基于属性相关性分析的扩展朴素贝叶斯分类器

朴素贝叶斯分类作为一种统计分类的方法,简单高效,但它是建立在属性独立性假设的基础上,有一定的局限性,影响了它的分类效果.x2统计是一种度量属性相关性的方法,通过属性相关的分析,可以对属性进行约简,去除冗余和无关属性,达到简化朴素贝叶斯分类器的目的.朴素贝叶斯分类器的扩展方法是在非类父子结点之间添加扩展弧,表示相关属性间的依赖关系,从而扩展朴素贝叶斯分类器的结构.在数据集上的实验结果显示,KEANBC分类器优于NBC分类器,提高了分类正确率.     

基于朴素贝叶斯分类模型的车型识别方法

提出一种基于朴素贝叶斯分类模型的车辆分类方法,采用车辆的实际特征数据长度和宽度作为训练样本,离线训练朴素贝叶斯分类模型,同时利于CCD摄像机采集道路车辆图像,提取车辆轮廓曲线外接矩形的长度和宽度作为测试样本,通过离线训练获得的分类器,对车辆类型进行识别．仿真试验证明,朴素贝叶斯分类模型具有较高的分类性能,在同等训练和测试条件下,可以获得比BP神经网络分类器优越的分类效果．     

连续属性朴素贝叶斯分类器的依赖扩展研究

针对朴素贝叶斯分类器不能有效利用属性之间依赖信息的问题,在将连续属性条件互信息计算、条件密度计算与通过建立类约束属性最大权重跨度树的父结点选择相结合的基础上,提出了连续属性朴素贝叶斯分类器选择性树结构依赖扩展方法.通过对比实验和分析,证实了扩展后分类器的分类准确率得到明显的改进.     

混合式朴素贝叶斯分类模型

为了降低朴素贝叶斯分类模型的独立性假设约束,提出一种混合式朴素贝叶斯分类模型(MBN:Mixed Naive Bayes)。通过分析贝叶斯定理,把条件属性集合划分成若干个独立的属性子集,用树增广朴素贝叶斯分类对属性子集分别进行分类学习,通过公式进行整合。将该模型算法与朴素贝叶斯及树增广朴素贝叶斯进行实验比较,实验结果表明MBN分类器在多数数据集上具有较高的分类正确率。     

基于受限玻尔兹曼机的神经元群体响应的贝叶斯解码

神经元通过尖峰模式传递有关刺激的信息,多个神经元通过突触相互联系,构成了复杂的神经回路。在过去的一个世纪中,多电极记录技术的进步使科学家们能够获取一个完整神经回路的细胞响应。这些记录表明,神经元的活动之间存在显著相关性。因此,本文提出利用受限玻尔兹曼机模型描述神经元响应活动之间的相关性,建立神经元群体响应的编码模型,并利用贝叶斯定理构建了基于受限玻尔兹曼机模型的解码器,将它应用于模拟的小鼠视觉皮层神经元的响应序列中。实验结果表明,此解码器在准确率方面优于不考虑神经元之间相关性的独立模型解码器。     

信鸽外纹体神经元对习得性目标认知的响应特性

习得性认知是生物通过后天学习,将外部目标与自身行为进行强化训练,形成一种条件反射的认知过程,信鸽外纹体神经元在认知前后响应如何变化尚不清楚。通过训练信鸽识别特定目标,同步记录外纹体神经元集群信号,从动作电位发放率、局部场电位伽马子频带能量、神经元间互信息等角度,分析信鸽在不同认知阶段外纹体神经元响应特征的变化规律,结果表明:习得目标认知建立前后,其神经元的响应从集中在目标呈现阶段调整到决策阶段;不同试次神经元响应间的同步性随着习得性目标认知的建立逐渐增强,表现出更稳定可靠的响应特征;神经元集群间的互信息显著弱于认知前,表明习得性目标认知减弱了神经元集群的冗余信息,提高了编码效率。     

基于稀疏-小世界网络的初级视皮层神经元发放模型

通过构建神经元发放模型实现对视觉系统刺激编码方式的解析是计算神经生理学领域的研究热点。在传统线性-非线性-泊松(LNP)模型的基础上,采用稀疏编码模型训练的基函数作为模型的刺激滤波器,进一步利用小世界网络优化神经元集群的连接结构,构建了一种新型初级视皮层(V1区)神经元发放模型,用于预测神经元在特定刺激模式下的响应活动。利用在LE大鼠V1区采集的多通道发放数据拟合模型参数,进一步验证模型的有效性。实验结果表明,与传统未选择基函数作为刺激滤波器以及未经过小世界网络优化的对照模型相比,该模型能更准确地预测大鼠V1区神经元在不同朝向光栅刺激下的响应。该研究表明,经小世界网络优化后,模型中神经元的连接结构具有更强的生物相似性,能更真实地反映初级视觉皮层神经元群的响应机制。     

视顶盖神经元在不同颜色背景下的亮度解码

研究了鸽子视顶盖(the optic tectum,OT)神经元在不同颜色背景下对亮度的编码机制。选取色相环(Hue)中六等分处对应的颜色(H0、H16、H33、H49、H66、H82),设计了6种颜色背景下具有瞬态闪变特性的亮度刺激模式,采集了OT区神经元的峰电位发放序列(Spike),提取了Spike序列的特征,构造了多元线性逆滤波器进行解码。根据互相关性和正交试验的方法对重建亮度和实际亮度进行了分析。结果表明,神经元对色相环中相邻颜色的编码机制相近,例如H16(黄)和H33(绿)、H0(红)和H82(洋红)的相关性曲线十分靠近;色相环中H66(蓝)的背景非常削弱对于亮度的解码。正交试验的结果发现,参与神经元解码的四个参数(T、bin、chan_nums、delay)之间存在很强的交互性,彼此同等,共同作用参与神经元的解码。     

一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

贝叶斯分类器集成的增量学习方法

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点,提出了一种基于贝叶斯分类器集成的增量学习方法.综合朴素贝叶斯的增量分类和集成的增量学习方法,采用随机属性选择训练初始SBC(simple Bayesian classifiers),通过判断是否带有类别标签,将增量样本自动分组,并利用遗传算法对结果进行优化.实验结果表明,贝叶斯分类器集成的增量学习方法有效.     

最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器 (naive bayes) 是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN (bayesian network augmented naive bayes) 分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法 (k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。