DSOM: 一种基于NO时空动态扩散机理的新型自组织模型

研究了神经信号传输中, 内源性一氧化氮(NO)的四维动态扩散特性及其在长时程学习过程中的增强作用. 将NO扩散机理建模后与Kohonen自组织映射模型相结合, 在空间SOM基础上引入时间增强, 提出了新型的动态扩散型自组织映射模型, 计算了最优化权值的误差函数, 并分析比较了该模型与SOM中噪声干扰对训练的影响. 最后结合多项典型的一维和二维输入模式,给出自组织映射模型与扩散型自组织映射模型的仿真结果对比.     

大脑fMRI数据时/空模式综合分析的一种新方法

提出了一种新的fMRI数据处理方法, 可获得大脑激活区的时空综合信息. 该方法首先利用多窗口谱估计得到脑图像各体元的谱成分, 并在任务相关频率处对体元谱成分作显著性检验, 分离出任务相关脑区; 然后利用时间独立成分分析方法提取脑区任务响应的时间模式, 从而得到任务相关脑区的时-空综合信息. 这一方法的优点是: 无需对血液动力学和任务相关脑区的空间分布做出先验性假设, 具有好的鲁棒性和信息挖掘能力; 解决了单纯的时间独立成分分析在低信噪比下发散、结果不可信、鲁棒性差的问题.     

几种傅里叶变换之间的一种关联方式

本文探索了一种借用频谱分析实例,论证了傅里叶变换关联起来的方式,推出了相关的公式,从而帮助学生理解不同傅里叶变换之间的内在联系。此外还对所探索的结论进行了Matlab实验验证,以使学生加深对几个相关概念的理解。     

自组织的神经网络方法和群落生长模型研究

本文在研究神经网络自组织方法的基础上,通过模拟生物群落演化的动态机制,提出了一种新的自组织模型GGM,在GGM中,我们利用聚类中心的动态增生和消亡,使自组织学习调整直接局部化到单个聚类中心,从而避免了全局一局部调整的模拟退火训练过程,大大地提高了自组织学习的速度和适应能力.     

非线性流形学习方法的分析与应用

非线性流形学习以保持数据局部结构的方式将高维输入投影到低维空间,发现隐藏在数据中的内在几何结构与规律性,是近年来机器学习与认知科学中一个新的研究热点.文中分析了几种主要的流形学习方法,通过比较给出各方法的优缺点;提出了基于谱分析的非线性降维的统一框架,对于流形学习方法的研究具有重要意义;给出了手写数字和人脸图像序列等降维的实验结果,显示了非线性流形学习在数据约简和可视化方面的有效应用;最后结合作者的研究探索,总结了非线性流形学习需要解决的问题并展望其研究趋势.