嗅觉系统神经网络模型的模拟与动力学特性分析

在哺乳动物嗅觉系统的拓扑结构及生理实验的基础上建立了一套非线性动力学神经网络模型.此模型在模拟嗅觉神经系统方面有着突出的优点,同时在信号处理以及模式识别中表现出了奇异的混沌特性.着重描述了K系列模型的非线性动力学特性,并通过数值模拟进行分析.

分析核酸序列的持变概率方法

持变概率法是一种统计一维序列持续变化概率的方法 ,可用于统计核酸序列碱基交替变化情况 ,通过此方法得出 :1)核酸序列中的持变概率与持变次数呈指数关系变化 ;2 )人类各染色体的持变指数有一定的稳定性 ,受个体、测序方向的影响较小 ;3)持变指数具有特征性 ,核酸序列中产生的持变指数与随机序列中产生的持变指数有着明显差异 .由此推断生物界可能存在着某种内编码规则约束着核酸进行编码 。

嗅感受细胞在不同气体浓度下的神经发放规律分析

针对分析神经脉冲编码的问题,采用H-H方程计算机分析的方法,以嗅感受细胞为例,用非线性动力学方法分析了神经脉冲序列产生过程、脉冲序列随输入信号变化而变化的规律,以及平均频率理论的适用范围.从非线性角度看,平均频率理论只适用于出现Hopf分叉的地方,也就是从分级电位变为动作电位的环节上,而且输入的分级电位必须是可排序信号,输出脉冲序列才能满足平均频率理论.这种情况一般都发生在感觉器官的最前的几个环节中,因此平均频率理论只适用于这几个环节.

持变概率法与核酸序列中的信息提取

利用一种新的序列分析方法持变概率法,对GenBank数据库中果蝇、小家鼠、人类的7310条核酸序列片断进行分析,得出:(1)核酸序列中的持变概率与持变数呈指数关系变化;(2)同一种生物同一染色体的持变指数很相近;(3)同一种生物不同染色体的持变指数有一定的差异;(4)不同种生物染色体的持变指数之间有显著差异。说明持变概率法能够提取核酸序列的特征,持变指数有助于基因的分类与识别,此方法可用于基因序列分析。

非线性嗅觉生理模型在一维序列识别中的应用

Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。这套模型运用非线性动力学的方法较好的模拟了人体的嗅觉系统,并能够产生类似脑电的非周期背景信号。利用这个的基于嗅觉系统而建立的模型--K系列模型可以实现模式识别。本文首先从原理上介绍了K系列模型的拓扑结构和数学基础,然后通过实际的计算机数值模拟介绍了KII网络和KIII模型在实现一维序列识别时的方法和结果,简单说明了这个模型在模式识别上的特点。

嗅觉混沌神经网络的研究和应用

Freeman对生物嗅觉神经系统建立了一套新型的混沌神经网络模型 -K系列模型 ,与传统的人工神经网络相比 ,该网络不仅能很好的模拟生物嗅觉神经系统产生的混沌信号 ,而且提出了一种全新的信息处理和模式识别的概念和理论 ,是一种更接近生物系统的神经网络模型。我们对该混沌神经网络进行了模拟研究 ,同时应用该网络对简单的图像模式和手写体数字进行了模式识别的探索 ,实验结果验证了KIII网络的模式识别能力 ,为这种新方法的进一步发展和应用打下了基础。

嗅觉系统神经网络模型字符识别中的应用

Freeman在大量神经生理实验的基础上建立了生物嗅觉系统的非线性神经网络模型,即K系列模型.其中,KIII模型是一种混沌神经网络,它的模式识别机制与以往的人工神经网络完全不同,更接近实际生物神经系统的工作模式.研究通过对26个英文字符的学习、识别研究得出,系统相对于传统的神经网络有着很强的学习能力,学习5～6次就能有很好的识别能力,在10次达到最优学习效果,并与真实神经系统学习过程中的倒"U"曲线相对应.

嗅觉神经系统脉冲编码的机理研究

提出了衡量神经信息编码的四个主要关键问题,其中不稳定的神经系统如何能得出确定的信息处理结果,这是一个看来十分矛盾的问题,要解决这一问题,必须有一个观念上的改变.提出了序空间的概念,以嗅觉系统为例初步解释了四个关键问题,也初步解释了嗅觉系统信号过程.