面向缪子成像的计算神经动力学算法

基于缪子成像中需考虑被测物体密度的双端约束以及噪声对探测数据的影响,提出一种面向缪子成像的计算神经动力学算法,可保证结果处于约束范围内.理论分析结果表明,在无噪声或恒定噪声的情况下,该算法全局收敛于缪子成像的理论解,并能有效抑制随机噪声.仿真结果表明,该算法在求解缪子成像问题时具有有效性和优越性.

神经动力学研究进展和若干思考

神经动力学是动力学与控制学科的基础性分支,属于力学与脑科学、智能科学的国际前沿交叉学科领域,主要是通过动力学与控制的基本理论和方法,建立合理的模型来探究神经系统电生理动力学行为和脑认知功能的机理.近年来,国内外学者在神经动力学的基础研究方面取得了显著成果,包括神经元和神经元网络动力学行为的深入研究、大脑不同功能结构的建模分析以及神经疾病关联脑区的网络动力学建模与控制等.本文首先对国内外神经动力学研究领域取得的进展做了较全面的概括分析,特别是给出了建模方面的发展历程.进而,基于解析生物神经网络及其动力学的研究成果,对神经动力学未来的研究方向提出了一些思考展望,期望神经动力学的研究将助力具备较强可解释性和泛化能力的类脑智能原理和方法的突破及在重大工程中的应用.

一种突触可塑性导致的觉醒-睡眠周期中突触强度变化和神经动力学转变

实验发现,在觉醒时学习导致了突触强度的净增强,并伴随着神经元从强直性发放向阵发性发放的转变;在睡眠时突触强度净减弱到基准值,并且神经元的阵发性发放重新转变为强直性发放.本文提出了一种突触可塑性模型,并在由Hindmarsh-Rose神经元组成的神经网络中,实现了觉醒-睡眠周期中这种突触强度的变化和神经元发放动力学的转变.通过数值模拟和理论分析进一步发现,神经网络的平均突触权值在长时间的觉醒或睡眠后可以达到一个稳定值,该稳定值取决于模型中一些特定参数的比值.特别地,当平均突触权值达到稳定值时,突触权值的分布呈现出稳定的真实神经系统中观察到的对数正态分布,并且这种分布的波动性与突触可塑性模型中噪声的波动性呈正相关.本文提出的突触可塑性模型及其动力学的研究结果可为觉醒-睡眠周期中突触可塑性及其神经元发放的生理机制研究提供理论参考,并在睡眠障碍治疗或干预措施的开发中具有潜在的应用价值.

基于分布式神经动力学算法的微电网多目标优化方法

针对微电网多目标优化计算量较大问题,提出了一种考虑需求响应的微电网分布式神经动力学优化算法。首先考虑平均效率函数、微电网的排放、需求响应引起的不满意度以及总利润函数等因素建立多目标优化模型。然后应用单目标积公式将多目标优化问题转换为单目标优化问题,并证明了最优解是原始多目标问题的帕累托最优点。进一步使用对数障碍物惩罚因子处理不等式约束,利用Lasalle不变性原理和Lyapunov函数证明所提出的算法可以收敛到最优解。最后,通过仿真验证了所提方法可以在保证优化精度与收敛性条件下大大降低计算成本。

基于生物激励神经动力学的AGV轨迹跟踪控制

提出了一种基于门限偶极子生物神经元模型和快速终端滑模控制策略的轨迹跟踪控制算法,使AGV在存在初始速度跳变的情况下能顺利实现小车的轨迹跟踪控制。首先由运动学控制器产生一个理想控制律,接着利用神经动力学思想解决初始速度跳变问题,最后用快速终端滑模控制器进一步提高跟踪精度。该控制器的输出有界且光滑,整个控制系统全局快速渐进稳定。计算机仿真结果验证了该控制器的有效性。

基于Backstepping和神经动力学的非完整移动机器人点镇定

以非完整移动机器人为控制对象,围绕机器人运动控制中重要的点镇定问题进行深入研究.本文在考虑移动机器人模型和极坐标系下的位姿误差模型基础上,提出一种Backstepping与神经动力学相结合方法,设计具有渐近稳定的点镇定控制器.该控制方法能有效解决因初始误差存在而引起的速度和力矩突变问题,使机器人从静止状态快速收敛到任意参考点,实现机器人各种期望位姿的有效镇定.通过计算机仿真验证所提出控制规律的有效性.

基于神经动力学的非完整移动机器人跟踪控制

提出了一种针对非完整移动机器人轨迹跟踪控制的新方法;该方法将神经动力学生物激励模型集成到后退控制方法中,同时采用自适应参数模型来实现具有鲁棒性的跟踪控制.该控制器解决了以往大部分跟踪控制器所产生的速度突变问题.运用李亚普诺夫稳定性理论证明了该控制系统的稳定性.对连续、离散轨迹的仿真以及与传统后退方法的比较分析均验证了该方法的有效性.

基于神经动力学的轮式移动机器人跟踪与稳定统一控制

为了对轮式移动机器人(WMR)进行光滑、鲁棒、稳定的轨迹跟踪控制,分析了生物激励神经动力学原理,研究了非线性模型预测控制策略,提出了一种基于神经动力学思想的模型预测终端控制方法。首先,针对传统控制方法存在的初始速度跳变问题,利用神经动力学在信息处理方面的优良特性,设计了神经动力学控制模块;然后,根据模型预测控制原理给出了一个优化控制模块;最后,设计了终端域和线性反馈终端控制器来保证系统的全局渐近稳定性。仿真结果表明:利用所设计的控制方法进行曲线跟踪时,被控WMR系统收敛到参考轨迹的时间可从12s降到5s,初始线速度/角速度分别从[-3,4]m/s和[-5,6]rad/s缩小到[0,2]m/s和[-3,3]rad/s,且系统输出有界光滑,使WMR在完成轨迹跟踪的同时实现了全局渐进稳定。由于文中核心算法的推导过程不受WMR运动学模型限制,故该研究结论亦可应用于其他结构的移动机器人。

CCD光电响应曲线的神经动力学拟合

针对在CCD输出灰度值较小的区域,最小二乘法拟合的曲线与实测值之间容易出现偏大的相对误差,本文提出以最大相对误差最小化为评价指标,使用神经动力学寻优求解曲线拟合值的方法,获得最优拟合。首先以大功率LED为线性可调光源测量CCD的光电响应数据,并设计多项式拟合的光电测量的误差模型,然后根据相对误差最小化的评价指标,采用神经动力学优化算法求解最大相对误差最小的拟合曲线。实验结果表明,寻优算法稳定有效,当多项式拟合阶次N=3时,拟合的响应曲线的最大相对误差为2.5%,明显优于最小二乘法。此外,响应数据分析表明,CCD ICX694AL在未饱和时的光电响应为线性关系,但在饱和区域,光电响应的非线性明显。

基于自适应和神经动力学的轮式移动机器人路径跟踪控制(英文)

本文提出一种自适应和神经动力学相结合的轮式移动机器人路径跟踪控制方法.首先,设计运动学控制器用来获得机器人期望速度;其次,考虑机器人动力学模型参数的不确定性,利用模型参考自适应方法来设计动力学控制规律,使得机器人实际速度渐近逼近期望值;再次,为克服速度和力矩的跳变,加入神经动力学模型对控制器进行优化,并且通过Lypunov理论来证明整个控制系统的稳定性;最后仿真结果表明该控制方法的有效性.

基于归零神经动力学的水下无线传感器网络节点测距定位方法

从时变角度对基于到达角度(AoA)和到达时间差(TDoA)测距算法的水下无线传感器网络(UWSN)节点定位问题进行建模,提出了一种归零神经动力学模型来求解该定位问题并对所提模型进行了收敛性分析。通过对节点定位进行计算机仿真,验证了所提模型在精度和移动定位稳健性方面的有效性。此外,利用青海湖实验床在湖试过程中收集的位置坐标对节点进行定位,验证了所提模型对实际应用场景具有潜在的适用性。

量子神经动力学分析

量子计算与神经计算的结合是当前人工神经网络理论发展的一个前沿课题,由此而产生的量子神经计算范式具有很高的理论价值,我们在量子理论基本原理的基础上讨论了把量子理论引入神经计算领域的可能性和可行性,并详细分析量子神经的动力学行为,为以后建立量子神经网络和研究量子神经网络的学习算法打下了坚实的理论基础。最后简单讨论了一些与量子神经计算有关的其它问题。

基于神经动力学的目标跟踪算法

通过对神经网络模型的研究,将神经动力学的Shunting模型应用到目标跟踪系统中.该算法具有模型简单、参数不敏感、网络运算不易饱和、算法速度快,且不需要预设工作环境等优点,适用于未知动态环境下的优化目标跟踪.Matlab仿真试验表明,该算法可解决动态环境下的目标跟踪.

基于神经动力学的水下目标观测路径规划

针对水下工程应用中的自治水下机器人目标观测的路径需求问题,提出基于生物启发神经动力学的路径规划方法,在二维栅格地图的基础上,建立二维生物启发神经网络模型,引入来自目标观测任务区域的激励信号和障碍物的抑制信号,任务区域能够全局地吸引机器人,障碍物对机器人具有局部排斥作用,从而使得机器人能够近距离观测目标。仿真结果表明,在未知的动态水下环境中,机器人能够有效规避障碍物,自主规划出目标观测路径和返航路径。

基于神经动力学系统的关联推理模型

关联关系是事物之间普遍存在的一种关系,过去,由于受串行逻辑化表达方式的制约,该关系并没有得到很好的表述.本文从关联关系的内涵出发,揭示了它所蕴含的并行性的实质,并且以神经动力学系统作为工具,建立了关联推理的基本模型.实验证明,这种模型能够更好的体现事物的整体特性,更加符合认知学中的"整体优势"观点.

脑的复杂性和神经动力学

脑的复杂性和神经动力学ＣｏｍｐｌｅｘｉｔｙｏｆｔｈｅＢｒａｉｎａｎｄＮｅｕｒａｌＤｙｎａｍｉｃｓ￥／／郭爱克（中国科学院生物物理研究所，研究员北京１００１０１）陆惠民（中国科学院生物物理研究所，高级工程师北京１００１０１）大脑是如何工作的？它是怎样做...

神经动力学与力学

本文回顾力学研究体系的发展,简要介绍神经动力学的主要内容及其作用,探讨神经动力学与力学的密切关系,并提出一些研究展望。

神经动力学研究进展

本文着重介绍了神经动力学理论在脑科学领域中的地位与作用,它的现状和我国的原始创新,存在的问题以及它的历史使命。强调了力学在神经科学与生命科学中的内在联系、重要性和它的影响力,特别指出了脑科学领域中的原始创新离不开力学的作用、导向与贡献。本文还重点概述了这期专刊的主要研究成果,这些研究成果的作者分别从不同的视角阐述了他们是如何应用神经动力学理论来揭示神经系统中的一些独特的、在实验中不可能被发现的某些新的现象和规律,以及在探索退行性神经疾病和认知障碍方面所表现出来的独特威力。

混沌神经动力学行为在多自由度机器人上的应用研究

把高维的混沌神经动力学行为应用到多但有限自由度的机器人以实现适应性控制是一个困难的问题;借鉴大量神经元控制少数肌肉的生物事实,一种简单的神经编码方法被用来使高维的神经网络模式转化成了低维的运动参数;虽然只在神经网络中嵌入了3种简单的姿势动作,但是在混沌神经动力学行为出现时,机器人手臂呈现出复杂的组合运动;利用这一点,提出了一个简单的控制算法用来解决病态问题(不一定有解或者确定的解无法保证的问题);实装实验进一步表明,尽管只有粗略甚至不确定的光源信息,利用提出的控制算法,机器人手臂可以成功的寻找到光源。

神经动力学:研究大脑信息处理的新领域

20世纪下半叶．人工智能和计算机技术的飞速发展。使许多人乐观地认为很快就可以造出与人脑相匹敌、甚至超过人脑的智能机器。甚至还有人提出人造智能机器在不久的将来会主宰世界和消灭人类，其中最突出的就是号称“人工大脑之父”的德加里斯（H．deGaris）教授^[1]。但是。其论断的基础并不牢固。