Применение импульсных рекуррентных нейронных сетей для решения задачи распознавания динамических образов

  • автор:
  • специальность ВАК РФ: 05.13.01
  • научная степень: Кандидатская
  • год, место защиты: 2013, Санкт-Петербург
  • количество страниц: 244 с. : ил.
  • бесплатно скачать автореферат
  • стоимость: 240,00 руб.
  • нашли дешевле: сделаем скидку
  • формат: PDF
pdf

действует скидка от количества
2 диссертации по 223 руб.
3, 4 диссертации по 216 руб.
5, 6 диссертаций по 204 руб.
7 и более диссертаций по 192 руб.
Титульный лист Применение импульсных рекуррентных нейронных сетей для решения задачи распознавания динамических образов
Оглавление Применение импульсных рекуррентных нейронных сетей для решения задачи распознавания динамических образов
Содержание Применение импульсных рекуррентных нейронных сетей для решения задачи распознавания динамических образов
Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления

Оглавление
Оглавление
Введение
1. Импульсные рекуррентные нейронные сети з задачах распознавания образов
1.1. Рекуррентные нейронные сети
1.1.1. Классификация РНС
1.1.2. Структура РНС
1.1.3. РНС как динамическая система
1.1.4. Анализ динамики РНС
1.1.5. Обучение РНС
1.1.6. Вычисления в РНС
1.2. Импульсные НС
1.2.1 Импульсные нейроны
1.2.2. Химические синапсы
1.2.3. Импульсные НС
1.2.4. Обучение импульсных НС
1.2.5. Импульсное кодирование
1.2.6. Вычисления в импульсных НС
1.2.7. Моделирование импульсных НС
1.3. Распознавание динамических образов
1.3.1. Распознавание образов
1.3.2. Распознавание динамических образов
1.3.3. РНС в распознавании динамических образов
1.4. Выводы
2. Анализ исследуемой модели и ее состав
2.1. Интерпретация МНС с точки зрения ее функционирования
2.2. Структура модели МНС
2.3. Импульсные нейроны
2.3.1. Модели типа Интегрирование-Возбуждение
2.2.2 Детальная модель Ходжкина-Хаксли
2.3.3. Модели сокращенной размерности

2.2.2 Нейрон Ижикевича
2.3. Синапсы
2.3.1. Электрические синапсы
2.3.2. Химические синапсы
2.3.3. Динамические синапсы
2.3.4. Синапсы с пластичностью
2.3.5 Моделирование сигнала на входе импульсных нейронов
2.4. Импульсное кодирование
2.4.1. Кодирование да/нет
2.4.2. Фазовое кодирование
2.4.3. Частотное кодирование
2.4.4. Популяционное или пространственно-временное кодирование
2.4.5. Кодирование на основе синхронизации
2.5. Машина неустойчивых состояний
2.5.1. Математическая модель
2.5.2. Основные свойства системы распознавания на основе МНС
2.5.3. Резервуар МНС
2.5.4. Считыватели МНС
2.6. Итоговое аналитическое описание модели импульсной РНС
2.7. Метод исследования - кибернетическая физика
2.8. Выводы
3. Реализация среды моделирования импульсных РНС
3.1. Обоснование необходимости разработки среды моделирования
3.2. Требования к разрабатываемой среде моделирования
3.3. Функциональная декомпозиция
3.4. Пользовательский интерфейс
3.5. Алгоритмы моделирования
3.5.1. Особенность моделирования динамических синапсов
3.5.2. Особенность моделирования синаптической пластичности
3.5.3. Алгоритм моделирования импульсных РНС
3.6. Структура представления входных данных
3.7. Возможности разработанной среды моделирования
3.8. Выводы

4. Разработка методики синтеза импульсной РНС
4.1. Последовательность этапов разработки методики
4.2. Определение иерархии подсистем, составляющих модель
4.3. Исследование подсистем, составляющих импульсную РНС
4.3.1. Исследование способов представления входных данных
4.3.2. Исследование моделей нейронов
4.3.3. Исследование синапсов
4.3.4. Исследование структуры импульсных РНС
4.4. Определение иерархии параметров модели
4.4.1. Параметры входных данных
4.4.2. Параметры резервуара
4.4.3. Параметры считывателей
4.4.4. Обобщенная иерархия параметров
4.4.5. Анализ зависимости, выбор варьируемых и фиксированных параметров
4.4.6. Анализ влияния параметров и выбор диапазонов их изменения
4.5. Определение набора возможных задач и показателей качества
4.6. Исследование и анализ влияния параметров
4.7. Разработка обобщенной методики синтеза
4.8. Выводы
5. Применение методики
5.1. Применение на простых задачах
5.1.1. Описание задачи
5.1.2. Применение методики
5.2. Применение на реальных данных
5.2.1. Описание задачи
5.2.2. Применение методики
5.3. Выводы
Заключение
Список сокращений и условных обозначений
Список литературы
Приложение П
П1.1. Общие сведения
П1.2. Главное окно программы

Модели импульсных нейронов можно разделить на несколько классов.
Детальные модели. Данные модели описываются дифференциальными уравнениями четвертого порядка и выше. Главной детальной моделью является модель Ходжкина-Хаксли [120]. Эта модель описывает динамику нейрона в терминах работы ионных каналов Na, К, Са. Она демонстрирует широкий спектр различных вариантов поведения, наблюдаемых в реальных нейронах. Модель Ходжкина-Хаксли рассматривают как с обычными дендритами, так и со сложными распределенными в пространстве дендритными деревьями, что делает ее универсальной в смысле моделирования разных типов биологических нейронов.
Одна из переменных в детальных моделях отвечает за потенциал нейрона, а остальные переменные моделируют работы ионных каналов. К данному классу моделей также можно отнести модель Коннора, Вальтера, МакКоуна, модели Чея, модель Головаща и модель Голомба [50].
Модели сокращенной размерности. Эти модели являются по сути упрощенными детальными моделями. Их порядок равен двум или трем. Основные назначения данных моделей - ускорение процесса моделирования НС из импульсных нейронов и упрощение понимания принципов работы. В моделях сокращенной размерности одна переменная отвечает за потенциал нейрона, а вторая (и иногда третья) - за процесс восстановления нейрона после того, как он сгенерировал импульс. Детальный обзор моделей сокращенной размерности приведен в [130]. К данному классу моделей можно отнести модель Фитцху-Нагумо, модель Хиндмарш-Роуз, модель Ижикевича, модель Морриса-Лекара и др.
Модели типа «интегрирование и возбуждение» (Integrate-and-fire, IaF) первого порядка [87]. В данных моделях единственная переменная отвечает за потенциал нейрона. Генерация импульса происходит при достижении потенциала заданного значения порога. Данные модели являются наименее вычислительно затратными, но при этом обладают «бедной» динамикой. К ним относятся различные модификации модели «интегрирования и возбуждения), а также модель импульсного отклика (Spike Response Model, SRM) [109].
Для моделирования сложных дендритных деревьев используются распределенные модели импульсных нейронов [109]. В них нейрон разбивается на несколько объединенных сегментов, повторяющих структуру его дендритного дерева. Каждый сегмент может быть представлен простой моделью импульсного нейрона - Ходжкина-Хаксли, Ижикевича и др.
Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления

Рекомендуемые диссертации данного раздела