AI Lab

Open Artificial Intelligence Laboratory

Neuro Modeler - среда моделирования нейронных систем с произвольной структурной организацией

Искусственные нейронные сети в настоящее время уже достаточно широко представлены благодаря множеству исследований, проводимых в данной области. Однако модель формального нейрона, лежащая в их основе учитывает лишь часть свойств, преобразования информации, присущих биологическому нейрону. Можно полагать что улучшая модель единичного нейрона мы сможем строить нейронные сети с более широкими возможностями.
 
 

icon NeuroModeler - Руководство пользователя (3.87 Мбайт)

icon NeuroModeler (791.92 Кбайт)

icon NeuroModeler - Тестовые проекты (202.33 Кбайт)

icon NeuroModeler - Исходный код (218.79 Кбайт) (Последняя версия на https://bitbucket.org/Alexab/neuromodeler)

 

Как известно, нейрон считается основным функциональным элементом нервной системы. Нейрон - осуществляет преобразование потоков импульсов поступающих на его входы, в один поток импульсов на выходе. Основные процессы преобразования импульсных потоков можно представить следующей схемой.

 

Функциональная схема преобразования импульсных потоков в нейроне

Рис. 1. Функциональная схема преобразования импульсных потоков в нейроне.

 
 

Последовательности импульсов распостраняются по выходным волокнам других нейронов (аксонам) без затухания. Воздействие на нейрон происходит в местах сближения этих волокон с мембраной нейрона, называемых синапсами.

 

Синапсы располагаются на теле нейрона и дендритах - многочисленных коротких отростках.

 

В синапсах осуществляется преобразование импульсов в аналоговую величину, которая вызывает изменение внутриклеточного потенциала нейрона. Таким образом происходит суммация не самих входных сигналов, а эффективности их воздействия на нейрон, которая определяется весом синапса и частотой следования импульсов.

 

Мембрана нейрона осуществляет пространственную и временную суммацию поступающих воздействий.

 

Если величина внутриклеточного потенциала превышает некоторый порог, то в низкопороговой зоне нейрона формируется потенциал действия (импульс), который распостраняется по аксону далее без затухания.

 

Величина внутриклеточного потенциала определяется функционированием ионных каналов в мембране нейрона, осуществляющих транспорт ионов различного вида внутрь или наружу клетки. Данный механизм можно представить в виде двух структур, одна из которых накапливает отрицательную величину, другая - положительную, а их сумма определяет внутриклеточный потенциал.

 

Синапсы, вызывающие ослабление первой функции называются возбуждающими, а второй - тормозными.

 

\s Каждый дендрит, или тело клетки можно представлять как пару таких механизмов, а суммарный внутриклеточный потенциал как сумму всех вкладов.

 

 

Полная система уравнений, описывающая нейрон не линейна и меняется в зависимости от числа синапсов, и от количества моделируемых дендритов клетки (рис. 2).

 

Система уравнений модели нейрона
Рис. 2. Система уравнений модели нейрона.

 

 

На основе математической модели была разработана компьютерная модель. В качестве численного метода для решения систем уравнений был выбран метод серединной точки, из семейства одношаговых методов Рунге-Кутты. В качестве языка программирования был выбран язык С++ в реализации Borland C++ Builder 5.

 

Разработанную программу можно разбить на две подсистемы. Это вычислительная часть, и подсистема обеспечения интерфейса взаимодействия с пользователем. Взаимодействие между подсистемами осуществляется через механизм запросов от подсистемы интерфейса к вычислительной подсистеме.

 

Вычислительное ядро реализовано в виде объектно-ориентированной библиотеки (рис.2) и полностью выполнено в ANSI стандарте языка C++, что позволяет легко переносить его на произвольную компьютерную платформу.

 

pic3

Рис. 3. Категории классов ядра.

 
 

На рис. 3 представлены категории классов ядра:

  • Базовое ядро - Классы данной категории представляют механизмы организации нейронной сети (механизм размещения объектов в памяти, механизм обеспечения доступа через пространство имен, базовый механизм организации структуры связей между объектами сети), и управления процессом счёта.
  • Абстракции сети - Иерархия абстрактных классов, определяющих наиболее общие свойства и методы для возможных типов элементов нейронной сети.
  • Блоки - Набор классов, определяющих несамостоятельные функциональные блоки элементов нейронной сети (синапс, мембрана, генераторный механизм).
  • Элементы сети - Классы, описывающие элементы нейронной сети (Нейрон, афф. Нейрон, нервное волокно, и нейронная сеть).

Таким образом данные 16 классов обеспечивают реализацию механизма расчета сети.

 

В дополнение к данным классам также в ядро входят функции, обеспечивающие функции ввода описания сети.

 

Модель исследуемой системы управления предоставляется программе в виде файла, в котором на языке описания описывается структура модели. Транслятор языка является частью ядра разработанной программной системы.

 

Взаимодействие программы с пользователем обеспечивается посредством визуального оконного интерфейса, предоставляющего возможности как управления программой в целом, так и наблюдением результатов расчетов в частности. Имеется возможность выбора данных для наблюдения, создания подписей к графикам и осям координат.

 

\s В работе бы проведен комплекс исследований на компьютерной модели для проверки адекватности исходной математической модели биологическому прототипу.

 

Как известно большую роль в характере реакций естественного нейрона играет размер мембраны нейрона. На рис. 4 представлена зависимость частоты последовательности импульсов на выходе нейрона, от частоты возбуждающей последовательности при возбуждении по одному входу для нейронов различного размера.

Результаты исследования модели интернейрона нейрона

 

Рис. 4. Результаты исследования модели интернейрона нейрона.

 
 
 
 

На рис.5. показана зависимость частоты последовательности на выходе афферентного нейрона, от величины входного сигнала, при различных значениях коэффициента чувствительности.

Результаты исследования модели афферентного нейрона

 

 

Рис. 5. Результаты исследования модели афферентного нейрона.

Для исследования модели нервного волокна на вход подавался импульсный поток с выхода модели мелкого нейрона. Полученные результаты позволили сделать вывод, что модель обеспечивает требуемую задержку и сохраняет структуру потока импульсов.

 

На основании проведенных экспериментов можно сделать вывод о том что исходная математическая модель достаточно полно описывает процессы преобразования импульсных потоков в нейроне. Модель демонстрирует качественно верные реакции присущие естественным нейронным структурам.

 

Разработанная компьютерная программа предоставляет необходимые средства для исследования процессов преобразования информации в естественных нейронных сетях произвольной структуры.

 
Обсудить на форуме (комментариев 81).
Разработки Neuro Modeler Neuro Modeler - среда моделирования нейронных систем с произвольной структурной организацией