基底神经节的尖峰神经元网络模型及其在机器人中的应用

为提高机器人智能,建立了基底神经节行为选择的尖峰神经元网络模型,并通过仿真实验验证了其选择性能。将该行为选择模型嵌入基于行为的机器人控制体系结构中,并用来控制实际机器人。实验结果证实了在基底神经节行为选择模块的作用下,机器人能够选择执行正确的行为。

基于尖峰神经元的条件反射模型及其认知行为的研究

一种具有经典条件反射行为的认知模型(CMSPK),该模型以尖锋神经元为基本元素,互联形成具有反射弧结构的神经网络,能充分表现经典条件反射对时间的依赖性。基于有衰减项的Hebb规则设计了反映“刺激-响应-强化”特征的强化学习算法,使CMSPK具有经典条件反射行为和认知行为。应用CMSPK模型成功地模拟了习得、刺激间隔效应、遗忘、阻止和二阶条件反射等现象。

人工神经网络的硬件设计研究

本文结合当前计算机智能化领域的发展情况，提出了在新的智能计算硬件平台上进行神经网络的计算，并以GerSmer的尖峰神经元模型为基础设计出硬件电路，以加快神经网络的计算能力。

利用Izhikevich模型探究神经元动作电位的发放特性

不同种类的神经元拥有不同类型的离子通道,离子通道的开放和关闭可以产生不同形状、频率和模式的动作电位。对动作电位的发放特性进行探究,将为生物神经系统的硬件设备开发、脑机接口技术研发等提供机理层面上的支持。采用Matlab软件,利用Izhikevich尖峰神经元模型,考察刺激电流的类型、静息膜电位和膜恢复变量等因素对神经元发放动作电位的影响。研究发现:改变静息膜电位的数值,并不影响动作电位的发放频率;增大膜恢复变量的数值,会使动作电位的发放数量增多,但仍不影响各簇动作电位的发放频率,且膜恢复变量越大,动作电位发放时间越早;在不同类型的电流刺激下,改变静息膜电位和膜恢复变量不会对动作电位的发放特性产生影响。