电针镇痛对小鼠脑细胞游离Ca2+浓度的影响

实验探讨电针镇痛及钙通道阻断剂盐酸异博定(verapamil)、硝苯吡啶(nifedipine)对小鼠海马细胞及突触体游离Ca^2 浓度的影响．采用荧光染料Fura-2／AM测定在电针镇痛期间，小鼠海马细胞及突触体内游离钙浓度([Ca^2 ]i)的改变．结果表明电针镇痛时，海马细胞内[Ca^2 ]．升高，而突触体[Ca^2 ]i降低，向分离出的突触体培养液内加入钙通道阻断剂盐酸异博定、硝苯吡啶，突触体[Ca^2 ]．明显降低．提示电针的镇痛效应可能与海马神经细胞膜内、外钙离子浓度的变化有关．     

海马内强啡肽和电针抗痫作用的关系

我室以前的工作已证明电针对青霉素诱发的皮层痫样放电和电惊厥均有抑制作用,其抗痫的机理中有海马内阿片肽系统的参与。何晓平等在对海马灌流液的放射免疫测定中发现电惊厥引起的海马β-内啡肽及脑啡肽释放的增加可因电针作用而降低,说明电针的抗痫作用可能部分是通过减少β-内啡肽、脑啡肽的释放,降低μ、δ受体的活动而实现的,然而作为     

一个神经元网络模型的不动点分析

神经元网络模型中积分微分方程转化为自治系统,讨论行波解中不动点的个数,进一步分析各个不动点的性态,以及出现行波解的可能性.     

虫草素改善脑缺血小鼠学习记忆及对海马神经元数量的影响

采用双侧颈动脉夹闭建立脑缺血模型,观察造模后和造模前腹腔注射100 mg/kg虫草素对小鼠Y迷宫行为训练的影响,以及检测海马各区神经元数量的变化.结果表明,造模前给予虫草素能明显提高小鼠的正确反应率(P<0.05),减少达标所需训练次数(P<0.05),显著增加海马CA1区和CA3区锥体神经元数量(P<0.01).造模后给予虫草素显著减少小鼠达标所需训练次数(P<0.05);同时,海马CA3区神经元数量显著增加(P<0.01).由此可见,虫草素能改善脑缺血小鼠的学习能力,预防作用比治疗作用更为显著,可能与虫草素促进海马神经元的修复有关.     

动态语义知识网络构建研究

分析了目前语义知识库研究现状,提出了一种新的语义知识结构模型--以Ontology(本体)概念为理论基础,将现有的中文信息库和离散型神经元网络结构相结合,构建了一个具有自学习、自适应能力的神经语义知识网络模型.     

结合神经元网络和模糊专家系统进行电力短期负荷预测

结合人工神经元网络（ＡＮＮ）和模糊专家系统进行负荷预测．给出了径向基函数（ＲＢＦ）网络的结构,并采用正交最小平方法（ＯＬＳ）选取ＲＢＦ中心．先用ＡＮＮ进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整．文中还把日期划分为５类．测试结果表明,该方法具有较高的精度和较快的速度．     

自愿转轮运动对抑郁模型大鼠学习记忆能力及海马齿状回一氧化氮合酶表达的影响

目的：观察4周自愿转轮运动对慢性应激致抑郁大鼠绝望行为及空间学习记忆能力和海马DG区nNOS表达的影响.方法：30只SD大鼠随机分为对照组、应激模型组及应激运动组,应激模型组及应激运动组大鼠建立慢性不可预见性应激（chronic unpredictable mild stress,CUMS）抑郁模型,同时应激运动组大鼠进行4周自愿转轮运动.运动及应激结束后通过强迫游泳实验及八臂迷宫实验等方法测试大鼠行为学指标变化,免疫组织化学法检测大鼠海马DG区nNOS神经元的表达.结果：（1）与对照组相比,慢性应激致抑郁大鼠强迫游泳实验中大鼠不动时间延长,八臂迷宫实验中应激大鼠完成八臂迷宫时间显著延长,工作记忆错误次数、参考记忆错误次数及总记忆错误次数均显著增加;海马DG区nNOS表达显著增强.（2）与应激模型组比较,应激运动组大鼠强迫游泳实验中大鼠不动时间缩短,八臂迷宫实验中应激运动组大鼠完成八臂迷宫时间显著缩短,参考记忆错误次数及总记忆错误次数均显著减少,海马DG区nNOS表达减弱.结论：自愿转轮运动可改善抑郁模型大鼠的绝望行为、提高大鼠学习记忆能力,机理可能与长期自愿转轮运动减弱抑郁大鼠海马DG区nNOS表达导致NO神经毒性减弱有关.     

基于神经元网络的非线性系统间接自校正预测控制器

提出了一种使用神经元网络的非线性系统间接自校正预测控制器。这一控制方法是基于两个神经元网络,一个用于动态过程的建模,另一方面用于获取控制信号。控制器的优化目标基于过程输出的向前多步预测。两个网络在线学习均采用了非线性最小二乘法。     

用动态神经网络解决粘度预测的方法

针对聚酯生产中粘度计测量滞后的问题,报告了用动态神经元网络进行粘度预测的方法,着重讨论了神经网络输入 变量的选择,构成动态神经网络的结构以及实现在线修正的方法。     

基于改进粒子群算法的过程神经网络训练

针对过程神经元网络由于模型参数较多,正交基展开后的BP算法不易收敛的问题,结合量子理论,提出一种改进的粒子群算法,并用于过程神经元网络的训练。算法中粒子采用双链结构,用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异,可发挥量子粒子群的群体搜索能力和全局收敛性,有效克服BP算法计算复杂、容易陷入局部最小值等缺陷。以两组二维三角函数的模式分类问题为例,验证算法有效性。结果表明该方法不仅收敛速度快,而且寻优能力强。