hot!
Date added: |
12/23/2009 |
Date modified: |
12/23/2009 |
Filesize: |
2.86 MB |
Downloads: |
4290 |
Существующие
математические модели нейронов либо очень просты, отражая лишь основные
закономерности в обработке информации, присущие биологическому нейрону, либо
рассматривают только отдельные этапы информационного преобразования сигналов и
не дают целостного представления о процессах, происходящих в реальном объекте.
Другая альтернатива – моделирование нейрона на уровне химии процессов. Для
решения задач исследования информационных процессов в естественных нейронных
сетях такие модели представляются излишне подробными. Интересным
представляется моделирование на уровне описания информационных преобразований
импульсных потоков в нейроне, не спускаясь на уровень реализующих их
физико-химических процессов, но и не абстрагируясь от понятия нейрона как объекта,
осуществляющего нелинейные аналоговые преобразования потока импульсов.
hot!
Date added: |
12/27/2009 |
Date modified: |
12/27/2009 |
Filesize: |
33 kB |
Downloads: |
4329 |
Рассматриваются свойства биологических нейронов, отсутствующие у классических формальных нейронов (ФН). Указывается на наличие у нейрона "собственного" времени, на необходимость его рассмотрения не как взвешенного сумматора, а частотно-импульсного модулятора, на необходимость включения моделей динамических синапсов. Указывается на важность эффекта "синапс на синапсе", являющегося значимым фактором пластичности; целесообразность расширения модели ФН "ядром", в котором собираются его параметры.
hot!
Date added: |
11/16/2009 |
Date modified: |
12/27/2009 |
Filesize: |
2.1 MB |
Downloads: |
6141 |
Общее между реальной клеткой и стандартной моделью нейрона - только название. Для этой модели существует множество алгоритмов, так или иначе основанных на матричном исчислении. В реальных задачах, связанных с построением больших систем, применение подобных подходов неприемлемо из-за низкого быстродействия, плохого распараллеливания, ограниченности возможностей обучения, низкого подобия естественным нейронам. Новая модель призвана преодолеть эти ограничения. Основа этой модели - моделирование кусочков мембраны с ионными каналами. Было промоделировано распространение активности по мембранам с различным расположением ионных каналов. Были выведены паттерны ответа нейрона в зависимости от топологии дендритов. В модель включены модели глиальных клеток как средство управления "глупыми" нейронами. Построена модель кортикальной колонки. Рефакторинг модели с максимальным сохранением функционального подобия естественным нейронам привел к получению чистых алгоритмов, позволяющих очень быстро работать в реальных "боевых" системах, например, это позволило создать алгоритмы быстрого поиска (индексации), устойчивого к шумам распознавания, выявления закономерностей в больших массивах данных. На этой же основе построен псевдо-интеллект проекта ПИПС.