国家自然科学基金重点项目“大脑皮层中兴奋和抑制的动态平衡机制研究”介绍

<正>大脑皮层是由神经元通过突触连接形成的超级神经网络,网络中的各种神经环路是实现大脑认知活动的功能模块。皮层网络主要由兴奋性锥体细胞和抑制性中间神经元组成,这些神经元介导的兴奋性和抑制性信号是相辅相成的,两者间的平衡是大脑发挥正常功能的前提,当平衡被打破时会导致皮层网络活动异常以及脑疾病的发生,如焦虑、精神分裂症、癫痫等。因此,研究大脑皮层中兴奋和抑制的动态平衡机制对了解正常脑功能的神经基础和     

面向高性能计算平台的脑科学仿真技术研究

近年来,脑科学研究成为了热点研究领域,欧盟"人脑计划"、美国"尖端创新神经技术脑研究计划"、日本脑计划的相继提出标志着脑科学研究进入了研究高峰期.高性能计算机经过数十年的发展,计算性能的提升日新月异,应用的范围越来越广.本文结合当下脑科学研究热点生物神经网络以及高性能计算平台TH-1A(天河一号)的计算优势,在TH-1A上部署了神经网络模拟软件NEST,对用NEST构建的神经网络进行了内存占用和可扩展性分析,测试了单计算节点最大仿真规模,发现了NEST软件自身的一些瓶颈,并提出了改进的想法,进而实现了对大规模生物神经网络面向高性能计算平台的仿真研究工作.     

空间绳牵引并联机器人多目标优化设计

以6自由度空间绳牵引并联机器人工作空间体积、最小索力和全局灵巧度为优化目标,在保证绳索张力范围的前提下建立了多目标优化的数学优化模型.采用神经网络-遗传算法求得优化的3组满意解,并采用灰色聚类法选择多目标优化时的权重系数.仿真结果表明该优化方法可以有效地实现结构的优化,为同类绳牵引并联机器人的设计提供了有益的参考.     

改进GA优化BP神经网络的短时交通流预测

为了提高BP神经网络预测模型对短时交通流的预测准确性,文章提出了一种基于改进遗传算法优化BP神经网络的短时交通流预测方法。由于模拟退火算法具有较强的局部搜索能力,能够在搜索过程中避免陷入局部最优解,因此引入模拟退火算法中的Metropolis接受准则来增加遗传算法的局部搜索能力,避免了遗传算法过早收敛和陷入局部最优解。通过改进的遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。仿真结果表明,该方法对短时交通流预测具有较好的预测精确性。     

基于卷积神经网络的连续语音识别

在语音识别中,卷积神经网络( convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络( deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸。本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比。在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强。     

基于小波变换与野草算法的细胞图像特征提取与识别

本文在细胞图像小波多尺度分解的基础上,提出在小波域中进行细胞图像特征提取的方法。针对基于小波变换提取的细胞图像特征向量维数过大、冗余等问题,提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法,最后利用BP神经网络作为分类器进行细胞图像识别。计算机实验仿真结果表明,与现有的未进行特征优化的细胞图像特征提取识别方法相比,本文细胞图像特征提取、分析、识别方法所需时间更短,识别正确率更高,实时性、鲁棒性能更好。     

一类具比例时滞细胞神经网络的全局渐近稳定性

研究一类具多比例时滞细胞神经网络的全局渐近稳定性.首先应用Brouwer不动点定理证明该系统平衡点的存在性,其次根据矩阵谱半径理论证明该系统平衡点的唯一性,然后通过构造合适的Lyapunov泛函及运用不等式的分析技巧,与Barbalat引理相结合,讨论该系统平衡点的全局渐近稳定性,并得到该系统全局渐近稳定的时滞无关和时滞相关的2个新的充分条件,最后给出数值算例及仿真结果验证所得结论的正确性.     

基于BP神经网络的交流输电线路可听噪声预测模型

可听噪声属于输电线路电磁环境的影响因子之一,其常规预测模型均存在使用条件受约束或预测误差偏大的问题.根据间接预测法的思想,以可听噪声通用表达式中的4个因素为输入变量,可听噪声值为输出变量,建立了三层结构的BP神经网络交流输电线路可听噪声预测模型.以国外多条输电线路可听噪声数据为样本,通过BP神经网络对样本进行训练,运用得到的模型对预测集线路的可听噪声值进行了预测.结果表明,与常规GE公式相比,采用BP神经网络预测模型的预测平均绝对误差要小1.641 4 d B(A).     

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.