课程文献中心 更多>>

关键词： 脉冲神经网络   神经元模型   多脉冲学习算法   高效鲁棒学习  

摘要： 由于深度学习的发展,人工神经网络在许多领域取得了蓬勃的发展。然而与大脑的高效率相比,目前的深度学习方法存在消耗大量计算资源、对数据依赖大、缺乏生物合理性等问题,于是模拟大脑基本机制、提供更强大计算能力和更多生物合理性的脉冲神经网络受到了越来越多的关注。脉冲神经网络使用脉冲来进行信息的表示和传输,脉冲也被认为是一种更低能耗的信息处理方式,但是如何高效准确地处理和学习这些离散的脉冲仍然是一项具有挑战性的任务,目前有一些多脉冲学习算法被提出用于处理和学习脉冲序列中所携带的信息,然而大多数现有的多脉冲学习算法效率低下,涉及复杂的神经元动力学和学习过程,限制了脉冲神经网络的应用能力。本文将围绕多脉冲学习算法这一主题,并针对上述难点提出了一个简化的神经元模型和两种高效的多脉冲学习算法,本文的主要贡献如下:1.通过脉冲函数模拟突触电流输入和放电输出对膜电位的影响引入了一个简化的脉冲神经元模型,可以有效的处理脉冲信号。考虑到其他的脉冲神经元模型高度复杂的非线性动力学,该模型更加简洁高效。此外,引入了一种基于脉冲事件驱动的仿真方式,计算是由脉冲驱动的,提高了处理和学习的效率。2.基于简化的脉冲神经元模型,提出了两种改进的高效鲁棒多脉冲学习算法,即高效多脉冲学习算法EML和仅依赖神经元当前响应状态的多脉冲学习算法EMLC。结合简化神经元模型的特性,经过证明,可以忽略掉一些繁琐的计算和求导过程而不会对最终结果造成影响,使得计算更加的高效,可进一步为神经形态系统的应用发展提供参考。3.在一些典型的任务上评估了所提出的学习算法的性能,包括对脉冲模式的高效处理的实验,多类别分类实验,鲁棒性实验等,并与其他的基线方法进行了比较,展示了本课题所提出算法的优异性能。同时,对EML算法的一些性质进行了进一步的探索验证,如对导数的相似性评估,多种脉冲编码机制下的多分类能力以及背景活动中特征检测能力的评估。

关键词： 循环神经网络   脉冲神经网络   随机计算   FPGA   R-FORCE  

摘要： 神经网络在智能计算中具有巨大的潜力,已经被应用于模式识别、图像处理和自动驾驶等领域来解决实际问题。人工神经网络(Artificial Neural Network,ANN)和脉冲神经网络(Spiking Neural Network,SNN)用来模拟人脑的神经系统对复杂信息的处理过程,以其独特的知识表示方式和智能化的自适应学习能力,引起越来越多研究者的关注。目前神经网络的实现方法可以归结为软件实现和硬件实现。软件实现仅能够表达较少的神经计算特性,并且执行速度较慢,无法实时对大规模神经网络进行运算。而在硬件中实现神经网络可以有效弥补这些缺点,所以在硬件平台上实现神经网络成为一个热门的研究课题。然而,神经网络中神经元数量逐渐增多,导致在硬件平台上实现神经网络需要大量的硬件资源和功率消耗,不利于神经网络的扩展性。针对这些问题,本文的主要工作体现在以下四个方面:1.首先介绍了课题的研究背景,并简要概括了硬件优化实现神经网络存在的不足,然后给出了创新点。接着描述了神经网络硬件系统及随机计算技术的研究现状。最后对神经网络硬件系统中存在的不足进行分析,并给出了相应的改善方案。2.针对循环神经网络(Recurrent Neural Network,RNN)中储层参数不易确定的问题,通过引入群体智能和随机扰动的方法,对搜索范围小,容易进入局部最优值的传统果蝇优化算法进行改进,提出一种新颖的果蝇优化算法,并使其对RNN(如RFORCE网络)中的参数进行优化,从而提升网络的预测性能。实验结果表明优化之后的网络的预测性能和其它方法相比具有一定的提升。3.基于上述的研究工作,将参数优化之后的R-FORCE网络在现场可编程门阵列(Field Programmable Gate Array,FPGA)硬件设备上进行实现,同时采用随机计算中简单的逻辑门操作来代替R-FORCE网络中传统的算数操作,从而减少硬件资源和功率消耗。4.针对脉冲神经网络在硬件实现过程中硬件资源(尤其是DSP资源)消耗过高的问题,采用欧拉方法对脉冲神经网络中的神经元、突触模型以及学习规则进行简化,并进一步采用随机计算技术代替脉冲神经网络中传统的算数运算,以达到减少硬件成本的目的。最后将通过随机计算技术设计的网络在FPGA设备上进行硬件实现。实验结果表明,设计的网络很好的权衡了网络性能和硬件成本,因此具有一定的可扩展性,为大规模脉冲神经网络的硬件实现提供了一个可替代的解决方案。

关键词： 合成孔径雷达   图像分割   深度卷积神经网络   脉冲神经网络  

摘要： 合成孔径雷达(Synthetic Aperture Radar，SAR)图像分割是SAR图像智能解译领域中一个基本且重要的问题。其中，SAR图像建筑物分割是从SAR图像中获取建筑物信息的重要方法，尤其区分叠掩、单次散射、二次散射、阴影等的精细语义分割，可以为高分辨率干涉SAR建筑区相位解缠、建筑物三维重建等提供支撑，在城市规划、土地使用调查等方面具有重要应用价值。　　当前，SAR图像建筑物语义分割方法研究面临以下主要难点和挑战:1)传统机器学习方法人为设计特征，普适性较差;2)由于SAR图像特殊的散射特性和图像表现，现有光学图像分割的深度神经网络模型应用于SAR图像建筑物语义分割时效果欠佳;3)SAR图像建筑物语义分割真值标注困难，数据集严重缺乏。因此，基于SAR图像特征的建筑物语义分割深度神经网络模型研究还非常有限，亟待创新研究。　　为此，本文从SAR图像建筑物的成像特征和视觉认知特点出发，研究构建适合于该任务的新型神经网络，提出了基于卷积神经网络和基于脉冲神经网络的具体实现方法，本文的主要工作和创新贡献如下:　　(1)提出了基于复数学习的单通道高分辨率SAR图像建筑物语义分割网络(Complex Valued Segmentation Network，CV-SegNet)。构建了基于复数卷积耦合计算的卷积层与实现复数学习的池化层与反池化层，将现有图像语义分割网络模型功能拓展至复数域，实现了SAR复数图像信息的有效利用，在仿真和实测数据上表现出优于现有SegNet的分割性能。　　(2)提出了基于复数学习和多特征融合的多通道SAR(干涉SAR图像)建筑物语义分割网络(Complex-Valued Convolution and Multiple Features Fusion Net-work，CVCMFF Net)。通过空洞空间池化金字塔实现多尺度特征融合，通过嵌入式级联与复数卷积计算实现多通道特征融合，在仿真和实测SAR图像建筑物语义分割中均表现出优于现有方法的分割性能。　　(3)提出了基于足印投影法改进射线追踪的SAR图像建筑物仿真投影自动标注方法。可快速、准确地获取真实SAR场景中建筑物包含叠掩及二次散射、地面及单次散射、阴影的语义分割真值标签，并解决了密集建筑区存在的SAR图像建筑物个体混叠、难以进行实例区分的问题，获得了实例分割真值标签，支撑了首个SAR图像建筑物实例语义分割数据集的制作和发布，并实现了基于MaskRCNN的SAR图像建筑物实例分割，为数据集发布提供比较基准。　　(4)针对当前脉冲神经网络还处于初步发展状态，尚不能直接应用于图像语义分割的现状，首先研究了适用于SAR图像目标分类的脉冲神经网络构建方法和训练算法，创新性地提出一种基于梯度下降并直接使用优化器的监督学习算法，在MSTAR数据集上验证了方法的有效性、良好的抗噪性和较高的计算效能。　　(5)突破脉冲神经网络在图像语义分割上的应用难题，通过脉冲神经网络和卷积神经网络的对比分析与相互借鉴，实现了脉冲神经网络从SAR图像目标分类向SAR图像建筑物语义分割的任务迁移，创新性地构建了SAR图像语义分割脉冲神经网络模型SNN-Unet，并在仿真数据集上获得了与Unet相当的性能，证明了网络的可用性和有效性。　　综上，本文面向SAR图像建筑物语义分割提出了新型且有效的神经网络模型，在该研究方向上做出了有益的创新探索，为SAR图像建筑物语义分割尤其是精细语义分割提供了新的技术途径。

关键词： 故障诊断   深空探测   脉冲神经网络   类脑计算   人工智能  

摘要： 深空探测技术是当今航天领域的重点发展方向之一,先进的故障诊断技术是保证探测器在深空环境正常工作的重要一环。快速发展的人工智能技术促进了深空探测技术的进步,提高了深空探测器故障诊断的能力。类脑计算具有类似大脑的多重认知任务学习能力,而脉冲神经网络作为类脑计算在软件层面上的重点研究方向,具有低功耗与低计算量的特点,符合深空探测任务的背景。因此,基于类脑计算的深空探测器自主故障诊断技术的目的是实现在高不确定深空环境下的探测器自主故障诊断,具有广阔的现实意义与研究价值。本文针对深空探测器本体最易发故障的机械部位中的轴承与姿态控制系统两方面,利用脉冲神经网络技术,针对深空探测器的自主故障诊断方法做了以下研究:第一,针对现有的基于知识的故障诊断技术存在通用性差、基于模型的故障诊断技术存在数学模型获得困难与人工智能故障诊断技术存在过分依靠以往数据的原因,引入了具有高度自主性与仿生性且在小样本学习条件下效果较好的脉冲神经网络,提出单层脉冲神经网络学习算法,并在此基础上进一步延伸为基于脉冲神经网络的多层学习算法。同时,构建了一个基于脉冲神经网络的故障诊断模型。将该故障诊断模型应用于经典机械故障诊断数据集CWRU上进行实验,达到了较高的诊断正确率。第二,针对深空探测器的轴承部位,本文将深空探测器的轴承生命全周期数据集划分为正常、内圈故障、外圈故障与滚动体子元件故障,提出了基于脉冲神经网络的深空探测器轴承故障诊断模型,诊断流程分为数据获取、特征提取、训练测试和故障诊断。在深空环境的故障数据集下进行诊断验证,并与基于二代神经网络的故障诊断方法进行对比,实验表明:本文方法可以达到96.121%的准确率,相比于其他工作,基本可以拥有较高准确率的诊断结果与耗时最短的诊断时长。第三,针对深空探测器的姿态控制系统故障问题,本文首先对姿态控制系统的数学模型进行表示,其次收集该系统故障产生情况并建立带标签的数据集,进而提出基于脉冲神经网络的深空探测器姿态控制系统故障诊断方法。在本文构建的数据集上进行实验,诊断正确率达到97.77%。同时,与人工智能故障诊断方法进行对比,结果表明本文方法具有高准确率的诊断结果与耗时最短的训练时长,具有现实意义。

关键词： 仿生机器鱼   动力学建模   脉冲神经网络   非线性模型预测控制  

摘要： 仿生机器鱼是受鱼类启发研制的水下航行器,因其高效率、低噪声、高机动型等特点,受到人们越来越多的关注。研究仿生机器鱼群中机器鱼动力学模型,继而研究机器鱼运动控制及优化,研究鱼群的编队控制,可为多仿生机器鱼协调控制打下坚实的基础。本文以多仿生机器鱼为研究对象,开展动力学建模、仿生机器鱼运动控制和鱼群编队控制等研究,主要研究内容如下:首先,阐述了进行多仿生机器鱼运动建模与控制的研究背景与研究意义,综述了多机器鱼动力学建模、仿生机器鱼运动学控制和多机器鱼编队等方面的国内外研究现状,简述了本文章的章节架构及研究内容。其次,建立了仿生机器鱼动力学模型并进行了多仿生机器鱼游动仿真。多仿生机器鱼在游动过程中受波浪力、机器鱼之间的相互作用力、流体阻力等影响,建模是一项难题。为此,首先对仿生机器鱼群系统进行受力分析,然后综合考虑横向波浪力、流体阻力、机器鱼之间的相互作用力等因素,建立了动力学模型;在此基础上,利用ANASY Fluent仿真软件构建了仿真模型,进行了多仿生机器鱼游动仿真实验,分析了各影响因素对机器鱼群中机器鱼运动控制的影响,为后续研究工作的开展奠定了基础。再次,提出了一种混合脉冲神经网络(Spiking Neural Networks,SNN)和中枢模式发生器(Central Pattern Generators,CPG)的机器鱼仿生控制算法。该算法模仿生物控制肢体运动的分层控制机制,采用SNN作为上层决策网络、CPG为下层运动控制网络的两层控制框架。算法原理是针对仿生机器鱼的不同游动模式训练出相应的SNN模型,其输出的脉冲信号经构建的饱和函数输送至CPG,CPG输出信号控制仿生机器鱼的关节、胸鳍和尾鳍,从而产生运动。分层控制框架可以通过上层决策网络产生更为复杂的CPG构型,而且更加容易形成CPG反馈控制,这为多仿生机器鱼编队控制提供了运动控制算法支撑。最后,针对水中仿生机器鱼游动特点,提出了一种基于非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)的多仿生机器鱼编队控制算法。多仿生机器鱼群游动时,由于水流、波浪、临近机器鱼等非线性影响因素众多,编队更加不容易控制。为此,采用非线性模型预测控制算法实现多仿生机器鱼编队控制,将编队控制与运动学模型和分层控制算法结合,建立了非线性模型预测控制器并进行了仿真分析。为了验证NMPC方法的效果,进行了与纯追踪算法(Pure Pursuit,PP)编队控制的仿真对比。最后在实验室的多仿生机器鱼控制平台进行了机器鱼编队控制实验,实验结果验证了该算法的有效性。

关键词： 脉冲神经网络   情绪识别   脑电   因果网络   溯源分析  

摘要： 人工神经网络是仿照生物学机制处理信息的数学模型,目前仿生程度最高的模型是脉冲神经网络,它以脉冲序列作为信息传递的载体,以突触可塑性作为信息更新的规则,在处理时空数据上具有良好表现。情绪识别是人工智能技术的重要应用领域之一,是实现情感计算和情感脑机接口的基础,脑电能够客观反映情绪变化,具有空间、时间双重特征,因此众多学者利用各类人工神经网络基于脑电数据对情绪进行分类,但利用类脑脉冲神经网络识别情绪的研究尚处于初级阶段。本文构建了一种可有效识别情绪脑电的脉冲神经网络,并将其与构建的卷积神经网络和循环神经网络进行对比分析。为探究情绪生理机制,进一步提高情绪识别准确率,本文采用多元格兰杰因果关系和标准化低分辨率电磁层析成像技术进行情绪的脑功能分析,寻找与情绪相关的感兴趣脑区和感兴趣电极通道,并利用所构建的三种神经网络模型进行分类。本文的主要内容如下:(1)分别基于传统的漏积分点火模型(leaky integrate and fire,LIF)和具有自适应阈值电压的LIF模型构建了以在线脉冲时序依赖可塑性规则为权重更新算法的脉冲神经网络,通过引入噪声影响对脉冲神经网络的动力学特性进行分析。研究发现,在噪声干扰下,通过可塑性规则调节后,神经网络的放电更加规律,同步性更强。(2)利用构建的脉冲神经网络对情绪脑电进行识别。针对DEAP数据集进行效价和唤醒度维度的二分类实验,针对SEED数据集进行积极、中性和消极情绪的三分类实验。研究发现,以具有自适应阈值电压的LIF模型为节点的脉冲神经网络分类效果优于传统LIF模型,说明引入自适应阈值电压机制能够提高网络的学习能力与分类效果。(3)在同一实验条件下,构建基于残差结构的卷积神经网络和基于双向长短时记忆结构的循环神经网络作为对比实验。实验结果显示:在二、三分类实验中,脉冲神经网络的分类准确率均优于同一实验条件下的卷积神经网络和循环神经网络。这表明脉冲神经网络在情绪识别领域有巨大潜力,为情感计算提供了新的思路。(4)为提高识别准确率和效率,采用多元格兰杰因果关系和标准化低分辨率电磁层析成像技术进行情绪的脑功能分析,选出与情绪相关的感兴趣脑区和感兴趣电极通道,以选择的感兴趣电极通道原始脑电作为输入进行分类。结果显示,情绪处理的感兴趣脑区主要集中在额叶、颞叶、枕叶三个脑叶,仅以感兴趣电极通道脑电为输入时,脉冲神经网络和循环神经网络的分类准确率提高。

关键词： 非小细胞肺癌   脑转移瘤   大脑类器官   肿瘤治疗场  

摘要： 研究背景:非小细胞肺癌(non small cell lung cancer,NSCLC)侵袭性较强,发生脑转移常见,是患者预后不佳的主要原因。NSCLC脑转移瘤目前无有效治疗方法,以姑息治疗为主。肿瘤治疗场(肿瘤治疗场(tumortreating fields,TTFields))是低强度、中频的交变电场,可选择性抑制肿瘤细胞增殖。已有研究表明,TTFields可降低了NSCLC细胞的增殖率。但对于NSCLC脑转移瘤的研究较少,且普遍使用细胞模型,缺乏颅脑的微环境支持,可能造成研究结果的偏差。TTFields干预对NSCLC脑转移瘤的有效性、最佳频率和具体机制,以及其对大脑发育是否有潜在负面影响,有待进一步研究。研究目的:本研究拟通过构建体外NSCLC脑转移瘤类肿瘤模型,明确TTFields对NSCLC脑转移瘤细胞的影响,明确TTFields干预在NSCLC脑转移瘤中的具体机制,同时探究TTFields干预是否影响大脑类器官的神经发育,为疾病的临场观察和治疗提供新的可能。研究方法:1、构建人类大脑类器官模型(cerebral organoids,CO);将NSCLC脑转移患者来源的肿瘤细胞植入CO,构建NSCLC脑转移类肿瘤模型(brain metastasis cerebral organoids,BMCO);通过病理切片、免疫荧光和单细胞测序分析评估模型质量。2、对NSCLC脑转移细胞和BMCO施加不同频率TTFields干预;通过CCK8检测细胞活性;荧光显微镜观察NSCLC细胞在BMCO中生长范围;细胞单细胞测序分析NSCLC细胞簇变化。3、通过电子显微镜观察TTFields对NSCLC细胞亚显微结构和细胞器的作用;单细胞转录组测序分析TTFields影响的基因和分子通路;通过JC-1实验检测细胞膜电位水平,流式细胞术检测细胞活性氧水平。4、对正常CO施加TTFields干预后,免疫荧光检测神经细胞和神经分化标志物的表达水平;单细胞测序分析神经系统细胞谱系的变化;对TTFields处理组CO和对照进行差异基因富集分析。研究结果:1、荧光显微镜下BMCO中肿瘤细胞的红色荧光信号随培养时间的延长范围增加。BMCO类器官模型病理切片和原始肿瘤组织均为CK(+)、TTF-1(+)、EGFR(+)、Ki67(+)。BMCO单细胞转录组分析,共鉴定出至少12种不同的细胞类型,包括一个具有肺癌脑转移细胞特征的EPCAM+细胞簇。2、与对照组相比,各频率的TTFields干预均对NSCLC肿瘤细胞有抑制作用;A549和BM104在150 k Hz抑制率分别达到了46.1%±3.1%(p<0.001)和31.9%±6.0%(p<0.001);BMCO中肿瘤细胞荧光信号减弱,红色荧光强度减弱和区域缩小(p<0.001),单细胞转录组分析,与对照组对比,TTFields干预组的BMCO中肿瘤细胞标志物(EPCAM)的表达水平显著降低(p<0.001)。3、与对照组相比,TTFields干预组的HE切片肿瘤细胞侵袭区域大面积的坏死,组织结构明显塌陷,细胞核固缩比例上升(p<0.001)。透射电镜显示,TTFields干预组异常有丝分裂事件增加,线粒体形态改变,线粒体嵴消失。扫描电镜图像显示,经TTFields处理的BMCOs后,肿瘤细胞排列紊乱,大量凋亡。KEGG通路富集分析结果显示,经TTFields干预后,脂肪酸代谢、细胞色素P450、谷胱甘肽代谢、三羧酸循环等与线粒体功能高度相关的通路显著下调。GO富集分析发现,TTFields干预显著会影响线粒体呼吸链、细胞呼吸、电子传递链等相关基因的表达。流式分析结果,经TTFields处理后A549和BT1009细胞中ROS水平升高,线粒体膜电位下降。4、正常大脑类器官经TTFields处理后,多重免疫荧光染色发现与对照组相比,放射状胶质细胞标志物PAX6、中间组神经元标志物Tbr2、海马分区标志物Frizzled9及中脑标志物Otx2的表达不受影响,LIM同源框家族基因Islet1、前脑发育相关基因EMX1无明显改变。经TTFields干预后,BMCO单细胞谱中神经元细胞亚群的标记基因的表达在大多数神经元细胞中没有发现显著差异。KEGG通路富集分析显示TTFields处理并没有改变神经细胞中的线粒体呼吸、细胞周期、细胞连接和其他重要活动;GO分析提示大脑皮层发育、中枢神经系统神经元分化也没有受到显著影响。研究结论:在体外构建了NSCLC BMCO转移瘤类器官模型;TTFields干预可抑制NSCLC脑转移瘤细胞的增殖和侵袭性,最佳处理频率在150k HZ;TTFields干预可导致线粒体功能障碍;TTFields不影响大脑类器官的结构和分化。

关键词： 忆阻神经网络   脉冲控制   稳定性   同步性  

摘要： 忆阻器作为集存储与计算为一体的元器件,可用于模拟人工突触。基于忆阻器构建的忆阻神经网络,具有复杂动力学特性,有望在大脑模拟、组合优化和模式识别等方面得到广泛应用,得到科学界与工程界的广泛关注。目前,建立更为准确的忆阻神经网络数学模型以及设计有效的控制与分析方法是忆阻神经网络动力学研究的重要挑战。本文以脉冲忆阻神经网络为研究对象,引入参数不匹配、随机扰动、马尔科夫跳变、时滞等因素,构建更符合实际、更为复杂的忆阻神经网络数学模型,采用事件触发、切换等控制策略,建立其稳定性、同步性等动力学特性的充分判据,主要工作归纳为以下四部分。1.针对状态依赖忆阻系数的失配问题,构建了参数不匹配随机脉冲忆阻神经网络模型,并得出了其投影同步的有效判据。首先,构建参数完全不匹配的主从忆阻神经网络,分别设计无时滞与有时滞的脉冲控制器,考虑随机扰动产生的影响,从而使系统能过适应复杂的环境变化。其次,在研究中通过使用系统的增广形式,保留系统的更多信息,同时降低了系统的保守性。然后,通过构建Lyapunov泛函,并使用It(?)公式以及两种比较原理,得到主从系统投影同步的判定条件。投影同步可在一定条件下退化为完全同步、准同步、准反同步等情况。最后,通过数值仿真和应用仿真证明结果的有效性。2.针对脉冲信号冗余问题,设计了混合控制随机脉冲忆阻神经网络模型,并建立了其指数同步的有效策略。首先,在随机脉冲忆阻神经网络系统中,通过用极值映射和微分包含原理,以及不确定项的形式来处理部分不匹配参数。其次,为了降低控制器更新频率,减少控制成本,采用一种结合切换,量化与事件触发思想的混合控制器。然后,通过构建带有积分项的Lyapunov泛函,处理系统中时滞项,并使用It(?)公式来处理随机项,由此得到系统指数同步的判定条件。最后,通过数值仿真验证了所得结果的可行性和有效性。3.针对多个网络节点的协同问题,构建了随机扰动耦合多层脉冲忆阻神经网络模型,并推得了其有限时间同步的有效判据。首先,在该模型中引入状态伴随乘积噪声引起的随机扰动现象,以及一定概率下带有时滞的脉冲效应。其次,对忆阻连接权重的处理提出了使用上下界来确定权重范围,并利用不确定项来满足其变化多样性需求的方法。其相较于二值法更接近于实际的连接权重变化。通过引入T-S模糊规则,使系统耦合强度及脉冲强度达到不匹配且可调的效果,从而使系统具有更强的鲁棒性。然后,通过构建Lyapunov泛函,利用脉冲控制理论和有限时间稳定性理论,建立具有同步脉冲和不同步脉冲的有限时间同步的充分条件。最后,由数值仿真验证了同步判定条件的有效性。4.针对信息锁问题,构建了更具普适性的马尔科夫跳变时滞脉冲忆阻神经网络模型,并得到了其稳定性的有效判据,相较于原有工作,性能表现更好。首先,为了降低数据传输率,设计带有马尔科夫跳变参数的事件触发控制策略。通过构建带有一重积分和二重积分的Lyapunov泛函,得到误差系统稳定性判据。其次,由于在信息传输过程中经常会出现网络攻击,因此进一步考虑一定概率下随机发生的Do S/欺骗攻击造成的数据包丢失情况对系统信息传输的影响。并利用T-S模糊规则对系统忆阻权重进行了模糊化处理,从而符合忆阻权重值的变化。构建合适的Lyapunov泛函,建立了误差系统稳定性的充分条件。最后,通过数值仿真证明了所得结果的有效性和优越性。

关键词： 狨猴大脑皮层   神经微电路   大规模类脑模拟   液体状态机(LSM)   脉冲神经网络(SNN)  

摘要： 对大脑模拟可以体现分子、神经元、微电路和不同脑区之间复杂的相互作用,这对于理解大脑中不同尺度的协同工作是十分重要的。目前运用神经解剖学手段对大脑微观和介观的模拟都有了广泛的研究,却很少有模型将这两种尺度整合。大脑中强大的功能很大程度上来源于其内部复杂的连接。液体状态机(LSM)是一种利用循环脉冲神经网络(SNN)开发生物相关学习模型的计算架构,LSM模型需要根据问题对结构和超参数进行人工预设,而类脑模型将提供符合大脑智能的类脑结构。此外,大脑的结构非常复杂,对其模拟往往需要消耗大量的计算资源,所以大规模模拟只能在超级计算机上运行,不仅价格昂贵而且很不方便。 为此,我们将狨猴逆行性示踪剂数据同神经解剖数据整合,结合神经微电路模型,在微观和介观对狨猴大脑皮层建模。构建了具有8,407,000个神经元、58,901,742,402个突触和63个脑区的多尺度狨猴大脑皮层模型,涵盖了视觉、前额叶、运动和运动前前区、颞叶、顶叶和枕叶皮层。并将图形处理单元(GPUs)模拟器部署到模型上,降低了模型的运行成本,提高了可访问性。 通过生物实验数据同化,当位于静息态时,我们的模型表现出与灵长类动物初级视觉皮层近乎相同的活动状态,意味着我们的类脑模型具有与真实生物相同的功能。所以,将数据同化后模型中的初级视觉皮层V1构建为类脑LSM模型,使用简单线性SNN作为模型的分类器。 实验结果表明,我们的类脑LSM模型在由动态视觉传感器采集的11分类手势数据集上,达到了87.88%的准确率,比传统LSM高22.88%,极大的提高了性能。虽然比目前先进水平的卷积SNN模型低5.76%,但仍具有竞争力。在10分类MNIST手写数字数据集上达到了99.15%的准确率,比目前先进水平的深度神经网络转脉冲模型低0.29%,但仍表现出了优秀的性能。此外,我们的类脑LSM模型收敛速度非常快,需要的训练量小,在SNN的基础上进一步缩小了计算量和训练时间,非常适用于需要快速反馈的场合和在线学习。值得注意的是,我们的模型完全依赖于示踪剂数据构建,忠实于真实的生物神经元连接,对理解执行任务时大脑相关皮层的活动具有深刻的意义。 我们的研究整合最新的神经实验数据,使用GPU模拟器在不同的大脑皮层功能区对多个脑区、多种尺度进行大规模类脑模拟。同时,将忠实于生物大脑连接且经过实验数据同化后的模型构建为类脑LSM模型。我们的模型可以表现出符合真实生物大脑的活动状态,且模型的初级视觉皮层还具备良好的视觉信息分类的能力,对于推动类脑智能的发展具有重要意义。