Neuro Modeler - среда моделирования нейронных систем с произвольной структурной организацией
- Подробности
- Обновлено 16 Январь 2021
- Автор: Александр Бахшиев
- Просмотров: 23136
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.
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](/images/stories/development/sdk/NeuroModeler/pic2.jpg)
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.
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.
![pic4 Результаты исследования модели интернейрона нейрона](/images/stories/development/sdk/NeuroModeler/pic4.jpg)
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.
![pic5 Результаты исследования модели афферентного нейрона](/images/stories/development/sdk/NeuroModeler/pic5.jpg)
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.