课程文献中心 更多>>

关键词： 脉冲神经网络   SpikeProp算法   SWAT算法   Python应用分类仿真  

摘要： 脉冲神经网络作为第三代人工神经网络,相比于前两代神经网络更贴近人脑工作机制,在模拟大脑神经元时能够从时空维度将刺激编码为脉冲信号。基于上述优势,脉冲神经网络被广泛应用于图像识别、模式识别、信号处理和约束控制等领域。本文主要针对脉冲神经网络中的两个经典算法:SpikeProp算法和突触权值关联训练算法(Synaptic Weight Association Training,SWAT)进行Python编程实现及数据分类仿真。同时考虑SWAT算法中的隐藏层频率选择思想,本文将其加入到SpikeProp算法中提出基于隐藏层时间选择的SpikeProp算法,并通过Python编程实现数据分类。本文的主要工作内容和研究成果如下:(1)对脉冲神经网络中的SpikeProp算法进行Python编程实现,并用于两类数据集的分类。首先需要在前馈网络结构中定义误差函数计算实际脉冲时间和期望脉冲时间之间的误差。然后采用梯度下降算法更新突触权值以降低计算误差。最终就让实际脉冲序列更接近期望脉冲序列,从而达到分类的目的。理论分析之后,通过Python对SpikeProp算法进行编程实现,并运用到鸾尾花(Iris)数据集和威斯康辛州乳腺癌(Wbc)数据集中进行数据分类。结果表明,Iris数据集分类精度能够达到96.7%,Wbc数据集分类精度达到97.4%,进而验证了SpikeProp算法的数据分类可行性。(2)对脉冲神经网络中的SWAT算法进行Python编程实现并进行数据分类应用。本章首先考虑SWAT算法中的频率选择思想,并采用算法实现频率选择时用到的脉冲时间依赖突触可塑性(Spiking-Time Dependent Plasticity,STDP)学习机制和Bienenstock-Cooper-Munro(BCM)规则,理论上能够在前馈网络结构的隐藏层实现分类。接着在分析完SWAT算法核心后,通过Python对SWAT算法编程实现,随后通过Iris数据集和Wbc数据集进行数据分类。分类结果表明,Iris数据集分类准确率达到92.11%,Wbc数据集分类准确率达到91.76%,从而验证了SWAT算法的数据分类可行性。(3)将两个算法的优势结合,提出基于隐藏层时间选择的SpikeProp算法。采用SpikeProp算法作为误差优化的方法和SWAT算法在隐藏层实现频率选择的思想,并将频率选择改进为时间选择以贴合SpikeProp算法的时间相关性。采用设定好的网络结构和参数,将提出的算法进行Python编程实现,并对Iris数据集和Wbc数据集进行数据分类。得到的最终分类结果:Iris数据集98.5%;Wbc数据集97.0%,与SpikeProp算法和SWAT算法相比准确率更高,表明改进算法的分类效果更好。

关键词： 类脑目标导航   放电时间依赖可塑性   智能体   脉冲神经网络   位置细胞   动作细胞  

摘要： 动物具有优秀的空间自主定位导航能力，能够实现在无先验环境信息下的导航定位和导航决策过程。针对智能体在连续空间中面向目标导航问题，研究了一种基于生物学放电时间依赖可塑性学习规则的智能体面向目标导航算法。首先分析了动物面向目标导航决策过程中的生理学机理，在此基础上，构建了基于脉冲神经网络的位置细胞和动作细胞模型。动作细胞间权值采用横向竞争模型更新，通过环境奖励信号的更新，采用放电时间依赖可塑性学习规则对位置细胞前馈动作细胞模型的突触权重进行权值调节，利用动作细胞群的脉冲放电现象表征智能体运动方向和速度。最后，对所提算法进行了仿真实验验证。仿真结果表明，所提出的类脑面向目标导航算法能够在单障碍环境中实现30 ms左右的规划速度，相比传统强化学习Q学习方法平均路径规划长度缩短了15.9%。

关键词： 神经形态计算   脉冲神经网络   ANN-SNN   性能优化  

摘要： 作为新一代人工神经网络（ArtificialNeuralNetworks，ANNs），脉冲神经网络（Spik-ingNeuralNetworks，SNNs）采用脉冲事件驱动方式进行信息处理与传递，具有超低功耗和快速响应的特性，为神经形态计算提供了必要的模型与算法。由于脉冲发放过程不可微，梯度下降算法无法直接用于训练SNN，SNN的训练一直是一个难题。基于ANN-SNN转化间接训练SNN避免了直接训练SNN的难题，但由于SNN神经元脉冲响应特性与ANN激活函数存在巨大差异，ANN-SNN转化不可避免地存在近似误差。SNN神经元的脉冲响应特性取决于其所采用的神经元模型和脉冲信息编码方法，故转化SNN的网络性能受到脉冲信息编码方法的重要影响。为此，本文对ANN-SNN转化原理、脉冲信息编码方式和其在不同脉冲传输模式下对应的转化近似误差，以及转化SNN的性能优化等进行了研究，并提出了相应的解决方案。本文主要的研究工作如下：　　（1）基于TTFS编码的ANN-SNN转化误差及影响转化SNN性能的相关因素分析。在众多编码方式中，首脉冲时间（TimetoFirstSpike，TTFS）编码最能体现SNN的低功耗特性，因此，本文根据ReLU激活函数与基于TTFS编码的脉冲神经元脉冲响应特性，以及ANN-SNN转化前后神经元输出值之间的对应关系，对TTFS编码下的ANN-SNN转化近似误差进行形式化表达，明确TTFS编码下与转化SNN性能有关的因素。　　（2）提出自校准首脉冲时间（Self-calibratingTimetoFirstSpike，SC-TTFS）编码及其神经元模型。针对TTFS单脉冲编码信息表征能力弱，编码所需时间窗较长的问题，在单脉冲的基础上增加校准脉冲，提出一种SC-TTFS编码机制。与TTFS不同，SC-TTFS最多可发放两个脉冲，其中，编码脉冲为必定发放的脉冲，而校准脉冲则用于对编码脉冲所产生的近似误差进行补偿。采用带有可训练参数的指数函数作为动态阈值，构建相应的神经元模型。在多种网络模型和数据集上的实验结果表明，基于SC-TTFS神经元模型所转化的SNN可以实现较源ANN近似无损的网络精度，且推理延迟和能耗效率均远高于大部分同类研究工作。　　（3）提出基于异常值处理和结构风险最小化正则项的转化SNN性能优化算法。针对转化SNN的精度、延迟、功耗等性能指标之间相互冲突的问题，提出基于SC-TTFS神经元的转化SNN性能优化算法。1）为解决由于源ANN网络层输出值中存在一些极大的离群异常值，导致转化近似误差增大的问题，提出根据源ANN激活值的分位点值重置离群值，并采用梯度下降法逐层调节SC-TTFS神经元的阈值参数。2）对SC-TTFS神经元的编码和解码阈值函数提出相应的正则项，使梯度下降算法在优化SC-TTFS神经元阈值参数的同时限制其脉冲发放数量。实验结果表明，上述两种方法可在极小的精度损失下，分别降低转化SNN所需的编码时间窗和脉冲发放数量，以实现转化SNN多个性能指标的最优化。　　本文的研究为构建具有低功耗、低延迟、高精度的深度SNN提供了可借鉴的思路和有效途径，对促进神经形态计算在物联网、边缘计算等领域的应用具有重要意义。

关键词： 忆阻器   TiO2   神经形态器件   脉冲神经网络  

摘要： 在信息技术飞速发展的大背景下,基于冯·诺伊曼架构的计算系统由于内存单元与计算单元分离,在现有的CMOS电路系统中带来了更高的功率和昂贵的成本。基于忆阻脉冲神经网络的神经形态计算系统由于其基于脉冲的工作机制,在模式识别、图像处理等领域已经成为更高效计算系统的有效解决方案。从硬件实现的角度来看,探索脉冲神经网络的人工突触和神经元是至关重要的一步。忆阻器因其具有低功耗、高密度集成、非易失性存储和可重构性等特性,被认为是实现人工突触和神经元最有竞争力的神经形态器件。其中氧化物忆阻器由于制备流程简单且和主流的半导体制造工艺相兼容,受到了科学工作者的广泛研究。目前,氧化物忆阻器在神经网路中主要用于搭建突触,而利用氧化物忆阻器设计神经元和神经网络的研究较少。本文通过制备Ag/Ti O/Pt忆阻器作为神经形态硬件,在不同限流的条件下实现了器件易失性和非易失性之间的调制。基于忆阻器的非易失特性,研究了其I-V循环特性、数据保持能力以及长时程可塑性等突触特性;基于忆阻器的易失特性,实现了短时程可塑性等突触特性以及人工神经元的设计。将易失性和非易失性兼具的Ag/Ti O/Pt忆阻器作为人工突触和神经元建模,搭建了用于手写数字识别的监督式学习、无监督式学习算法的脉冲神经网络,为未来低功耗类脑芯片提供了一种应用方案。具体研究内容如下:(1)采用磁控溅射的方式制备了单一结构和交叉阵列形式的Ag/Ti O/Pt忆阻器;并对其进行了多项电学特性测试,实验测得该器件在低于10μA的限流下表现出易失性,并具有1.5μW的低开启功耗,其易失性与生物突触的短时程可塑性对应;器件在大于100μA的限流下表现出非易失性,具有超过10 s的数据保持能力、大于10的开关窗口和低于0.25 V的开启电压,其非易失性与生物突触的长时程可塑性对应。(2)在直流电压扫描下,实现了忆阻器开关过程中线性度良好的电导调制;在脉冲序列刺激下,通过调节频率,幅值等参数实现了电导调制和脉冲频率依赖可塑性,并模拟了短时程可塑性,长时程可塑性、短时程增强到长时程增强的转变,脉冲时间依赖可塑性。(3)对脉冲神经网络的三种常用神经元进行了建模和仿真;随后,对易失性Ag/Ti O/Pt忆阻器件进行脉冲序列测试,根据实验结果设计了一种脉冲积分型LIF神经元;接着,将忆阻器作为人工神经元和突触搭建了监督式学习网络和无监督式学习网络;最后,以MNIST手写数据集检验网络的学习能力,同时改变网络的参数以此验证网络的鲁棒性。

关键词： 多源遥感影像融合   多尺度变换   脉冲耦合神经网络   低级视觉特征   八邻域修正拉普拉斯加权  

摘要： 随着遥感技术的迅速发展,不同模态的对地观测数据日益丰富,但受到有效载荷和通信带宽等因素的限制,单一传感器数据在研究和应用中存在不足。为此,遥感影像融合技术能够实现不同传感器之间的优势互补和冗余控制,可以更有效地服务于对地观测的研究和应用。目前,基于多尺度变换的遥感影像融合方法通常根据局部特征信息和脉冲耦合神经网络(PCNN)对融合规则进行设置,其中存在单一局部特征作为融合规则无法有效提取特征信息的问题,以及PCNN模型结构和参数设置复杂且空间相关性差的问题。针对以上问题,本论文基于全色、多光谱和SAR影像,从多尺度变换的融合规则设计和改进PCNN模型的结构、参数两个方面进行研究。主要工作如下:(1)改进一种结合低级视觉特征和参数自适应PCNN的NSST域遥感影像融合方法。结合IHS变换和非下采样剪切波变换(NSST)对影像进行分解,综合成分组合与多尺度分析方法在空间和光谱方面的优势。分解得到的低频分量采用结合局部相位一致性、局部突变度量和局部能量信息三个局部特征构建的低级视觉特征融合规则进行融合,解决融合规则中活动度量构建的单一性问题。高频分量采用参数自适应PCNN模型进行融合,解决PCNN参数设置复杂和空间相关性差的问题。实验结果表明,该方法对不同平台和不同地面特征的遥感影像都能表现出较好的效果,在所有评价指标上均表现优秀,整体融合效果最佳。(2)研究一种结合低级视觉特征和参数自适应双通道PCNN的遥感影像融合方法。结合IHS和NSST分解影像,得到的低频分量根据低级视觉特征融合规则进行融合。高频分量方面,改进PCNN模型的通道,将其扩展到双通道PCNN,并进行结构和参数的优化,形成参数自适应双通道PCNN模型,解决PCNN结构和参数设置复杂且空间相关性差的问题。实验结果表明,相比于表现次优的方法在五组数据中的平均值,本文方法在所有指标上都具有优势,表明该方法的得到的融合影像具有较高的空间质量和光谱质量。(3)提出一种改进Laplacian能量和参数自适应双通道单位连接PCNN的遥感影像融合方法。结合YUV空间变换和NSST进行影像分解。得到的低频分量采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则,提高结构信息和细节信息的提取能力。高频分量方面,改进PCNN的连接结构,简化模型结构,减少参数设置,并进行参数自适应设置,形成参数自适应双通道单位连接PCNN模型,解决PCNN模型参数设置困难和空间相关性差的问题。实验结果表明,在两个研究区域中,本文方法相较于13种其它方法在8个融合评价指标和土地覆盖分类精度上都表现最优。

关键词： 滚动轴承   故障诊断   寿命预测   卷积注意力模块   残差网络   脉冲神经网络  

摘要： 旋转机械是重要的工业设备，滚动轴承是旋转机械的关键、易损部件。准确、及时地进行故障诊断和剩余使用寿命预测可以有效地避免故障所引起的危险和重大损失。高精准的滚动轴承故障诊断及剩余使用寿命预测是旋转机械系统安全、平稳运行和合理维护的重要保证，实际生产中迫切需要高精度、高稳定性的滚动轴承故障诊断和剩余使用寿命预测方法，以期最大限度降低故障造成的各种损失。　　在大数据时代，研究基于数据驱动的高性能滚动轴承故障诊断及剩余使用寿命预测对保障生产顺利进行、避免重大经济损失具有重要意义。深度学习因其强大的数据表征、特征提取和学习能力在众多领域得以广泛应用，本文使用深度学习对基于数据驱动的滚动轴承故障诊断和剩余使用寿命预测进行研究，具体工作如下:　　首先，提出了基于卷积注意力模块(ConvolutionalBlockAttentionModule,CBAM)和残差网络(ResNet)的滚动轴承故障诊断CAR模型。CAR模型将卷积注意力模块和残差网络相结合，在提取重要特征的同时避免梯度消失或爆炸现象发生。将所提模型应用于凯斯西储大学(theCaseWesternReserveUniversity,CWRU)滚动轴承故障诊断数据集和江南大学滚动轴承故障诊断数据集，最高诊断准确率分别达99.905％和98.71％。实验结果表明:CAR模型的故障诊断准确率及稳定性均优于基于随机森林(RandomForest,RF)+长短期记忆网络(LongandShortTermMemory,LSTM)模型、ResNet模型和ResNet+LSTM模型的故障诊断结果。与文中所提文献方法(基于小波包能量与卷积神经网络相结合的滚动轴承故障诊断方法、基于AlexNet和极限学习机的轴承故障诊断方法、基于离散小波变换-多尺度模糊熵与最小二乘支持向量机的滚动轴承故障诊断方法以及基于奇异谱分解和两层支持向量机轴承故障诊断方法)比较，CAR模型的故障诊断准确率优于文献方法。CAR模型以高准确率和低标准差完成了滚动轴承故障诊断任务。　　其次，将CAR模型与具有生物似真性的脉冲神经网络(SpikingNeuralNetworks,SNNs)相结合，提出了滚动轴承故障诊断CAR-SNN模型。CAR-SNN模型不仅善于提取重要特征、模型训练时可避免避免梯度消失或爆炸现象发生，而且由于SNNs具有同时融入时空信息的特点，提高了模型处理时空信息的能力。CAR-SNN模型对于CWRU滚动轴承故障诊断数据集和江南大学滚动轴承故障诊断数据集的最高诊断准确率分别达99.995％和99.18％。实验结果表明:1)CAR-SNN模型的故障诊断准确率及稳定性均优于基于CAR模型的故障诊断结果;2)所提模型的滚动轴承故障诊断准确率优于文献方法:基于小波包能量与卷积神经网络相结合的方法、基于AlexNet和极限学习机的方法、基于离散小波变换-多尺度模糊熵与最小二乘支持向量机的方法以及基于奇异谱分解和两层支持向量机的方法。所提CAR-SNN模型以高准确率和低标准差完成了滚动轴承故障诊断任务。　　最后，提出了基于卷积神经网络(ConvolutionalNeuralNetworks,CNNs)和Transformer的滚动轴承剩余使用寿命预测CNN-Transformer模型。CNN-Transformer模型将卷积神经网络和Transformer相结合，在提取特征的基础上关注特征间的依赖关系,并对重要特征的权重进行增强，对不重要特征的权重进行减弱。将所提模型应用于PRONOSTIA实验平台下PHM2012滚动轴承剩余使用寿命预测数据集，最低MAE和RMSE分别为5.7002和7.189。比较实验表明:CNN-Transformer模型的MAE、RMSE、MAE标准差和RMSE标准差均优于基于CNN模型和Transformer模型的剩余使用寿命预测结果。与基于深度对抗神经网络的滚动轴承剩余使用寿命预测方法相比，CNN-Transformer模型的MAE和RMSE均更优。所提CNN-Transformer模型以高预测精度和低标准差完成了滚动轴承剩余使用寿命预测任务。　　所提CAR、CAR-SNN模型和CNN-Transformer模型以高准确率和高稳定性完成了相应的滚动轴承故障诊断和剩余使用寿命预测任务，满足实际使用要求，为滚动轴承故障诊断及其剩余使用寿命预测提供了有益的参考。

关键词： 脉冲神经网络   学习算法   横向连接   自适应学习   兴奋性连接   抑制性连接  

摘要： 脉冲神经网络（SpikingNeuralNetwork，SNN）通过模拟生物神经元的动力学特性，构建具备时空处理能力的脉冲神经元模型、时空依赖可塑性的突触连接模式和功能特异的网络拓扑结构等。因此SNN具有强大的时空信息表征、异步事件信息处理等能力。然而，在脉冲神经元模型的构建方面，目前大多数研究工作仅考虑计算复杂度的简化或学习能力的优化，局限于单个神经元的动力学计算模型的改进，缺乏对神经元依据职能划分进行针对性建模的研究。大多数SNN采用单一形式的神经元模型构建，并未考虑SNN中神经元模型的多样性以及不同类型神经元之间的相互作用及影响;在网络学习过程，神经元的单一性限制了信息在网络中多元化的处理和表征，神经元之间的突触连接是网络学习能力的关键所在。目前SNN中单一的层间连接形式，忽略了神经元的层内连接，限制了网络的性能。在现有的SNN学习算法中，大多算法的网络结构倾向于沿用传统人工神经网络（ArtificialNeuralNetwork，ANN）的基础网络结构，未考虑网络结构在SNN中的适用性，这导致了在深度网络结构下，SNN的性能落后于ANN。　　针对以上问题，本文受生物视网膜系统中横向交互机制以及细胞多样性和多元化处理启发，提出了一种用于神经元之间横向交互的新型神经元模型。受生物神经元突触连接模式的多样性启发，提出了一种基于横向连接的自适应学习算法。本文的创新点与主要贡献如下：　　（1）目前在有监督学习的SNN中，大多的网络结构通常基于传统的ANN，并未考虑网络结构的适用性;在网络中神经元只考虑层间连接，并未考虑同层神经元之间的横向连接。本文通过借鉴视网膜系统中的横向交互机制以及细胞类型，提出了一种新型的神经元模型用于层内神经元之间的横向连接，称为横向连接神经元模型（LateralConnectionLeakyIntegrateandFire，L-LIF）。L-LIF神经元作为独立的载体，在网络中处理层内神经元之间的横向交互信息，协调神经元之间的响应。本文还研究了不同任务的数据特征对横向连接范围的影响，以及不同横向连接结构之间的性能差异。在多种类型的基准数据集上的实验证明，横向连接范围大小受数据集中数据特征的复杂度影响，需要为不同数据集寻找合适的横向连接范围。并且，实验证明L-LIF模型在SNN中建立的LIF神经元以及泄漏整合方法神经元模型（LeakyIntegrateandFire，LIF）神经元之间的横向连接，能够有效的增强网络的泛化能力。在模型的噪声鲁棒性方面，本文的方法能够在高信噪比条件下，识别性能提升20%以上。　　（2）受生物神经元作用类型的多样性以及自适应学习算法的启发，本文提出了一种基于横向连接的自适应学习算法，并考虑了L-LIF神经元的抑制性横向连接和兴奋性横向连接两种不同的作用类型。通过误差反向传播算法对L-LIF神经元的内部参数进行学习，优化神经元的学习能力，以解决神经元学习效率低下问题。经实验证明，基于兴奋性横向连接的自适应学习算法，在分类任务中，取得优异的性能，有效提升了SNN的收敛与泛化能力（MNIST：99.52%，Fashion-MNIST：91.87%，CIFAR10：91.01%，N-MNIST：99.58%）。在噪声鲁棒性实验中，本文算法的性能远高于现有算法，高信噪比条件下，在MNIST和N-MNIST数据集上的识别性能提升30%以上，在Fashion-MNIST和CIFAR10数据集上的识别性能提升10%以上。在基于抑制性横向连接的自适应学习算法的实验中，研究发现，该算法能够在训练过程中自适应地减少卷积通道的使用数量，提高通道间的脉冲稀疏性。通过剪枝实验对比证明，该算法能够比现有算法使用更少的卷积通道对信息特征进行集中表征，有效缩小网络模型，并有效维持网络模型的性能。

关键词： 脉冲神经网络   STDP   LIF神经元   轴承故障诊断  

摘要： 随着人工智能技术的快速发展,人类对大脑的仿真研究更加深入,类脑计算的方法发展越来越迅速,特别是自脉冲神经网络(SNN)的提出,类脑计算的发展到达新的高度。目前脉冲神经网络结合生物系统的运行机制和机器学习算法的方法,已经在图像识别、语音识别、强化学习等领域取得了显著成果。脉冲神经网络具有比传统神经网络更强的生物可解释性,因其采用离散的脉冲序列传递信息,所以在神经架构上表现出极低的能源消耗。利用脉冲神经网络这些优势,本文仿真并搭建基于LIF(Leaky Integrate and Fire)神经元的脉冲神经网络结构;将该算法应用到轴承故障诊断中,探索脉冲神经网络在处理声音信号、故障识别等方面的新应用。本论文的主要内容如下:(1)对比脉冲神经网络与人工神经网络两种神经网络的模型结构及性能,基于生物神经元突触的基本特性,对脉冲神经元的突触结构、突触间信号的传递进行模拟仿真。其中主要探讨了神经元突触权重和突触延迟特性对神经元连接过程的影响:突触权重越大,电压累积至阈值和发放脉冲的时间就越短;突触延迟的加入使每个神经元传递信号时均滞后了相应时间。并结合神经元模型仿真的基础,应用MNIST数据集进行数字图像识别的仿真研究。(2)提出了一种新的神经网络转换算法,可以实现人工神经网络和脉冲神经网络之间的转化,通过调节网络中的激活值和突触权值来达到与人工神经网络同等高效的训练测试结果。将改进的脉冲算法应用到Fashion MNIST图像多分类的实际问题中,证明了所提出的转化算法与人工神经神经网络具有同样的高准确性,网络结构更加简化且低功耗。(3)提出了一种基于LIF神经元模型的多层脉冲神经网络,成功应用于轴承故障诊断问题上。采用互补集合经验模态分解(CEEMD)方法对轴承的原始振动信号进行分解,并对其进行特征提取,接着构建故障诊断模型,通过经过大量训练数据训练好的模型对轴承信号进行故障诊断。经实验验证所提算法在CWRU数据集上达到了99.17%的测试准确率,并与同数据集的6种轴承诊断方法进行对比分析。

关键词： 无尾两栖类   脑偏侧性   左半球   右半球   性别  

摘要： 脑偏侧性在脊椎动物和无脊椎动物中广泛存在,对生物体的生存有积极的作用。脑偏侧性使脑左、右半球功能特化,能够同步处理不同的信号,避免了因竞争控制权而导致的反应延迟甚至反应错误,使个体能够对外界环境做出更精准的反应并能完成更加复杂的工作,从而提高竞争力和适合度。不同脑区之间相互联系,但又各自负责处理不同类型的信号,执行不同的功能,在动物与环境之间的联系扮演着十分重要的角色。无尾两栖类的脑偏侧性研究还限于单一物种,其不同类群的脑偏侧性尚不明晰。本研究以103个无尾两栖类物种为研究对象,通过不同脑区半球的形态学数据,对无尾两栖类的脑形态偏侧性进行研究,同时探究天敌压力、栖息地类型、活动时间和食性可能对脑形态偏侧性产生的影响。主要的结果如下:(1)对103种无尾两栖类嗅神经、嗅球、端脑、中脑和总脑左、右半球使用配对t检验分析,结果发现,无尾两栖类存在中脑偏右和总脑偏左的偏侧性现象,在使用系统发育配对t检验分析控制系统发育的影响后,中脑仍然存在偏右的偏侧性。(2)对无尾两栖类中的95个雄性物种和64个雌性分别使用配对t检验和系统发育配对t检验分析发现,无尾两栖类的脑形态偏侧性在两性中存在差异,雄性存在中脑偏右的偏侧性,雌性存在嗅神经、嗅球、端脑和总脑偏左的偏侧性。控制系统发育的影响后,雄性存在中脑偏右的偏侧性,而雌性的嗅球和端脑显示出偏左的偏侧性。(3)使用系统发育广义最小二乘法(PGLS)对不同脑区的偏侧性指数和天敌压力之间分析的结果显示,天敌压力与脑形态偏侧性之间没有显著的关联。使用马尔科夫链蒙特卡洛法广义线性混合模型(MCMCglmm)对栖息地类型、活动时间和食性与不同脑区的偏侧性指数分析发现,栖息地类型、活动时间和食性对于无尾两栖类不同脑区偏侧性之间不存在显著的相关性。综上所述,本研究发现103种无尾两栖类的中脑存在偏右的偏侧性,其中雄性的中脑具有偏右的偏侧性,而雌性的嗅球和端脑具有偏左的偏侧性,天敌压力、栖息地类型、活动时间和食性对脑偏侧性没有影响。本研究的结果为更好地理解脊椎动物脑偏侧性提供了一定的依据。

关键词： 功能性磁共振成像   数据分类   脉冲卷积神经网络   监督学习   智能化诊断  

摘要： 随着神经成像技术的不断进步，功能性磁共振成像（ functional Magnetic Resonance Imaging，fMRI）技术逐渐成为一种主流的成像技术，其具有安全、无创伤性的特点，为人们研究人脑的工作机理和医疗诊断提供了便利。近些年，脑神经科学与机器学习的结合日益增多，人们开始探究如何对fMRI数据进行有效处理和分析。然而，由于fMRI数据的高维度特性、时间特性和空间特性，使得研究工作面临极大挑战。fMRI数据的高维度特性使传统的机器学习方法难以对数据特征充分提取。目前的一些深度学习模型，如卷积神经网络，其较高的建模能力使其可以处理一些fMRI的分类问题。但是，由于未充分利用fMRI的时序特性而无法得到较好的分类结果。针对现有存在的问题，本文通过对脉冲响应函数的线性近似，提出基于脉冲序列的脉冲卷积神经网络监督学习算法，并将其应用于fMRI数据分类及神经疾病辅助诊断系统，以准确地识别神经疾病，为病人提供更好的治疗方案，提高诊断和治疗效率。本文的主要研究内容如下：　　（1）针对传统脉冲神经网络学习过程中可能存在的脉冲函数不可微和梯度爆炸的问题，在脉冲响应模型的基础上提出了两种新的脉冲响应函数：三角线性化突触后电位（ Triangle Linear-PSP ， TL-PSP ）函数和去极线性化突触后电位（Depolarization Linear-PSP，DL-PSP）函数。同时，在新的脉冲响应函数的基础上分别提出了三角线性化脉冲卷积神经网络（Triangle Linear-Spiking Convolutional Neural Network，TL-SCNN）监督学习算法和去极线性化（Depolarization Linear-Spiking Convolutional Neural Network，DL-SCNN）监督学习算法。最后，应用脉冲卷积神经网络在CIFAR-10数据集来验证算法性能。实验表明，与传统的脉冲响应模型的监督学习算法相比较，本文提出的两种算法具有较高的识别精度。此外，与其他脉冲卷积神经网络学习算法相比，本文算法仍然有较好表现。　　（2）针对 fMRI 数据高维度特性、时间特性和空间特性，提出了一种基于脉冲序列的脉冲卷积神经网络 fMRI 分类模型，并在 ADHD-200 数据集上进行了验证。首先，对fMRI数据进行预处理，使用常见的预处理技术提取fMRI图像中的感兴趣脑区。其次，使用前向编码将fMRI图像编码成脉冲序列，结合提出的TL-SCNN、DL-SCNN 监督学习算法进行训练。所提出的两种模型分别获得了 80.2%和78.7%的准确率，同时，还分析了模型参数对分类效果的影响。　　（3）面向神经疾病的智能化诊断，应用所提的脉冲卷积神经网络 fMRI数据分类模型，构建了神经疾病辅助诊断系统。系统中不同用户拥有不同职责，技术人员采集fMRI图像、上传fMRI图像，训练并上传fMRI训练的结果。主治医生通过自己的临床经验判断系统结果是否正确，并对结果进行修正，该系统具有较好的应用价值。