短时记忆的生物物理学模型

采用心理物理函数模拟短时记忆期间神经元的电活动方式。通过“整合－发放”网络模型研究了短时记忆的容量、遗忘和复述等问题。计算机模拟的结果较符合实际的心理过程。通过对心理物理函数中诸参数的考察,发现元的后去极化电位与记忆容量呈线性关系。另外,网络中神经元的耦合方式也是记忆存储的决定性因素,其它如脑电振荡,后去极化电位延迟时间和前馈耦合延迟时间的影响也分别进行了讨论     

具有竞争指针的短时记忆神经网络模型

在我们以前提出的短时记忆神经网络模型基础上［３］,我们在新模型中引入突触竞争机制,提出了一个新的短时记忆神经网络模型。模型仍由两个神经网络所组成;其一为与长时记忆共有的信息内容表达网络,另一个为指针神经元环路。由于表达区神经元与指针神经元间的突触权重的竞争,使得模型可以表现出由干扰引起的短时记忆的遗忘。相应于自由回忆序列位置效应和汉字组块两个心理学实验,对模型做了计算机仿真。仿真结果显示模型的行为与两个心理实验定量地符合得很好。由此表明现在的模型更合适于作为短时记忆的模型。     

带有隐含神经元的单层神经网络模型

提出了一种带有隐含神经元的单层神经网络模型。把网络的记忆容量区分为信息记忆容量和物理记忆容量。新模型能记忆相关图样,其信息容量α_i(最大记忆图样数/表达神经元数)首次超过了1。所作出的计算机模拟结果,表明了理论分析的正确性,证实了由5×5个显神经元组成的点阵能记住包含26个英文字母和4个任选图样的30个图样,因此该模型为神经网络的广泛应用提供了一条重要途径。     

近存储饱和状态下联想学习记忆的神经网络模型

本文提出了神经网络在近饱和状态下的一种联想学习记忆模型.讨论了该模型的主要特性,对由100个神经元、记忆10个随机图样组成的网络系统给出并分析了计算机模拟结果,讨论了该模型的学习律与传统的Hebb学习律的区别,研究了网络在学习记忆和联想新态时初始噪声Pi和联想噪声Pa对新态恢复行为的影响,总结了在近饱和状态下该模型所具有的优势.     

海马记忆功能的神经网络模型

综合神经心理学,神经生理学、解剖学与神经网络研究的成果,提出一个海马记忆功能的神经网络模型。模型由三个神经网络所组成;海马的ＣＡ１和ＣＡ３网络和大脑皮层联合区,ＣＡ３的功能是将不同感觉输入联合起来,而ＣＡ１的作用是将它们结成一个单一的记忆。而大脑皮层则是长期记忆的部位。在ＶＡＸ１１／７５０上进行计算机仿真,仿真证明模型有近期及长期记忆功能,破坏模拟海马的部分,模型显示出与顺行性遗忘症相似的特性。在     

主动联想记忆神经网络模型

在信息编码能提高联想记忆的存贮能力和脑内存在主动活动机制的启发下,提出一个主动联想记忆模型。模型包括两个神经网络,其一为输入和输出网络,另一个为在学习时期能自主产生兴奋模式的主动网络。两个网络的神经元之间有突触联系。由于自主产生的兴奋模式与输入无关,并可能接近于相互正交,因此,本模型有较高的存贮能力。初步分析和计算机仿真证明：本模型确有比通常联想记忆模型高的存贮能力,特别是在输入模式间有高度相关情况下、最后,对提出的模型与双向自联想记忆和光学全息存贮机制的关系作了讨论。     

不同图样间联想的神经网络模型

本文讨论了Hopfield模型和其恢复特性。提出了不同图样间联想模型,推导了主态和辅态为初态时该模型的演化结果。对于30个随机图样、400个神经元组成的神经网络,给出了计算机模拟计算结果。并且讨论了不同情况下Hopfield模型和图样间联想模型的计算结果。     

具有节点偏置的高阶神经网络模型

在汪涛文献基础上提出了一个具有节点偏置的高阶神经网络模型、给出了模型的哈密顿量和学习算法,证明了学习算法的收敛性,该模型能对每一神经元自动引入一个节点偏置使得网络能够存储所有学习图样包括相关图样,其存储容量远高于Hebb—rule—like学习算法下的高阶神经网络模型.对由30个神经元组成的二阶神经网络进行了计算机仿真,结果证实了上述结论.此外,对初始突触强度对学习效果的影响和不同存储图样数目下的平均吸引半径进行了仿真计算并分析了所得结果.新模型的特点使其具有良好的应用前景     

一个仿真突触超微结构的三阶神经网络模型

神经系统内突触类型的多样性是与其机能的复杂性密切相关的.考虑到这一特性.本文用一个三阶神经网络模型仿真突触超微结构中的复合型连续性突触结构.作出了该模型的理论推导和分析.对由40个单元组成的网络系统作了计算机仿真、所得结果表明其存储容量可达680个图样.对其吸引盆也进行了仿真分析,对新模型与传统的Hebb学习律下的Hopfield模型进行了对比仿真.发现新模型具有比后者快得多的演化速率.     

神经网络模型在微生物工程中的应用

1微生物发醇过程和神经网络模型1．1微生物发酵过程优化微生物发酵过程优化对提高菌株生产能力和改善产品质量有重大意义。采用计算机控制可实现过程优化。发达国家早在刀年代即开始这方面的研究,我国起步于80年代。计算机控制软件实现的方法是借助于描述发酵过程的动力学模型     

动态神经元网络模型的复杂性问题

在动态神经元网络模型中,当神经元总数仅为３时就观察到了非周期振荡。运用Ｌｅｍｐｅｌ和Ｚｉｖ提出的复杂性度量对这种现象进行了分析,结果表明对于其中一个神经元所发出的脉冲序列来说,至少直到１０００个脉冲为止还不能发现任何的周期性,并且其复杂性可以和由ｌｏｇｉｓｔｉｃ映射所产生的时间序列当其参数落在混沌区中时所具有的复杂性相比拟．这些结果也表明这种方法是所观察的时间范围内区分长周期振荡和非周期活动的好方法。结果还提示神经生理实验记录中所谓的噪声,其中有些可能是来源于生物神经元本身的非线性性质。     

瞳孔光反应系统的空间分布式神经网络模型

为模拟刺激光空间分布变化引起瞳孔反应的实验现象,本文建立了空间分布式神经网络瞳孔模型。它是在瞳孔双通道模型基础上,借鉴Ｃａｎｎｏｎ－Ｒｏｂｉｎｓｏｎ的Ｏｃｕｌｏｍｏｔｏｒ模型的双层网络结构和视网膜的镶嵌式特点,经空间延括而成。空间各部位信号经第一层神经元处理得到对应各部位的线性ＤＣ和非线性ＡＣ输出,在第二层神经元进行空间综合,再经第三层神经元复合去控制效应器官虹膜肌的反应。该分布式部位机制模型能解释多种瞳孔实验现象。     

动态神经网络中的同步振荡

目前有一种假设认为同一视觉对象是由一群神经元的同步振荡活动来表征的。这一神经元发放活动的时间特性,是解决视觉信息处理中“结合问题（Ｂｉｎｄｉｎｇｐｒｏｂｌｅｍ）”的可能机制。本文用我们所提出的一种简化现实性神经网络模型［１］所构造的时滞非线性振子网络［２］,模拟生物神经网络的同步振荡活动。并考虑了振子各参数的设置与振荡活动的关系,以及网络振子间耦联对同步活动的影响．     

用人工神神经网络法辨识发酵动力学模型参数

本文提出发酵动力学模型参数辩识的人工神经网络方法,并对几种典型的模型进行了具体尝试,结果表明,用这种方法估计参数效果极好。     

用神经网络法预测mRNA的剪接位点

用神经网络预测了mRNA的剪接位点,比较了在各种不同的情况下,神经网络的学习与预测的情况,讨论了能反映真实剪接位点预测情况的有效预测成功率,指出它可达64%,而且总的预测成功率可达98%.预测的相关系数为0.66.     

模块神经网络及其性能

提出一个不同于实现ｙ＝ｆ（ｘ）的ＢＰ网络的神经网络模型,给出了网络的结构及并行动力学方程,证明了其动力学的稳定性。通过学习算法的建立,证明网络能精确实现输入矢量对（ｘ,ｙ）映入成相联系的输出矢量ｚ,最重要的是网络能同时存诸依时变化的时序模式与静态模式。此外并给出动力学学习算法,证明此学习算法的收敛性,计算机仿真证实理论结果,最后讨论了某些可能的应用。