忆阻耦合异构忆阻细胞神经网络的多稳态与相位同步研究

忆阻具有天然的可塑性,可实现与生物神经元和突触所具有的相似或相同机制的硅基神经元和纳米突触。将忆阻用作突触耦合两个异构的忆阻细胞神经网络,该文构建了一个忆阻耦合异构忆阻细胞神经网络。该耦合网络含有一个与忆阻突触初值条件和子网初值条件相关的空间平衡点集,可呈现出复杂的动力学演化。利用数值仿真方法,揭示了耦合网络依赖于初值条件而存在的稳定点、周期、混沌、超混沌以及无界振荡等多稳态行为。此外,在忆阻突触的调控下,两个异构子网可达成相位同步。最后,基于STM32单片机硬件平台完成了电路实验验证。

人工神经网络筛选类风湿关节炎的特征基因及免疫细胞浸润分析

目的:运用人工神经网络确定类风湿关节炎(RA)的特征基因,并分析免疫细胞在RA相关微环境中的作用。方法:GSE1919和GSE77298芯片均来自GEO数据库。运用R语言将两芯片进行合并与批次矫正,得到一个新数据集,并进行差异分析。对差异表达基因(DEGs)进行Metascape富集分析和GO、KEGG富集分析。运用R软件“randomForest”包在随机森林(RF)算法下筛选RA特征基因,并依据基因评分构建人工神经网络模型。提取排名前4的基因(HubGene)进行后续分析。应用单样本基因集富集分析(ssGSEA)计算样品中免疫细胞丰度并进行相关性分析。结果:人工神经网络模型筛选出排名前15的基因作为RA特征基因:STAT1、RUNX3、AR、CDH11、LMO4、TIMP1、PLXNC1、CAP2、PRKAA2、VDR、SPP1、HCK、EPHB2、KCNAB1、ITGB7,其中STAT1、RUNX3、CDH11在RA滑膜组织中均上调,AR在RA滑膜组织中下调。免疫细胞浸润结果显示,RA与活化CD4 T细胞相关性最显著。与RUNX3存在显著相关性的免疫细胞最多。RUNX3与活化B细胞、活化CD4 T细胞、活化CD8 T细胞、中央记忆CD4+T细胞、效应性记忆CD8 T细胞、调节性T细胞、γδT细胞和巨噬细胞呈显著正相关,但与NK细胞呈显著负相关。结论:通过人工神经网络确定了与RA相关的15个特征基因,其中排名前4的基因为STAT1、RUNX3、AR、CDH11。强调了活化CD4 T细胞、调节性T细胞、γδT细胞、巨噬细胞、NK细胞、活化B细胞等免疫细胞在RA发病机制中的重要性,为RA诊断和免疫细胞分子机制研究提供了新见解。

一类CNN细胞神经网络的稳定性

考虑CNN细胞神经网络方程的相应映射方程,利用矩阵谱半径性质及范数方法,得到了关于一类CNN细胞神经网络平衡点的全局渐近稳定的条件和结论。同时,给出了几个应用例子。

基于细胞神经网络(CNN)的飞行目标识别研究

基于细胞神经网络,采用改进型帧间差法检测飞行物体,针对飞行目标提取其相应的特征,建立特征参数库,为飞行物的实时跟踪与自动识别提供依据。

时延细胞神经网络(DCNN)的全局稳定性

讨论具时延的细胞神经网络（DCNN）的全局渐近稳定性，利用Lyapunov泛涵方法，通过构造Lyapunov泛涵，对DCNN的稳定性进行再分析．给出了DCNN全局渐近稳定时一些充分条件．

深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

基于CNN-LSTM-AM神经网络的多维长序列物流需求预测

物流需求预测是物流管理中的关键环节,但是在现实生活中,物流需求可能受到诸如天气、经济状况、特殊事件等多方面因素的影响,这使得问题呈现出多维度、长序列的特征。随着深度学习和神经网络的发展,越来越多的研究开始尝试使用神经网络模型进行物流需求预测,但是单一的神经网络模型在处理多维度、长时间序列的预测任务时常常表现欠佳。由此文章提出了一种基于CNN-LSTM-AM的神经网络模型,用于多维长序列物流需求预测。通过消融实验与其他模型的对比,结果表明,其平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)均值分别为1.56、1.63和0.981,均优于其他6种神经网络模型,为物流企业提供了一个有效的参考来更好地规划资源和降低成本。

改进的模糊细胞神经网络(IFCNN)的应用与研究

运用模糊细胞神经网络(FCNN)来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进的模糊细胞神经网络(IFCNN),该网络基于生物细胞脉冲原理,具有好的收敛和稳定性.实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像.

一种胶质细胞偶联人工神经网络模型

受到生物大脑神经胶质细胞和神经元互作用机制的启示,提出一种胶质细胞偶联人工神经网络(Glia-Coupled Artificial Neuron Networks,GCANNs)模型.对当前人工神经网络模型中的基本单元—神经元进行扩展,将每一个神经元连接一定数量的胶质细胞作为网络基本单元,通过神经元和胶质细胞的相互作用模型进行基本单元各元素的计算和更新,最后通过遗传算法对该模型的参数、拓扑结构进行优化.该网络模型能反应胶质细胞和神经元之间的双向通讯机制,更接近神经系统各元素之间的信息处理方式.实验表明,该模型能提升网络学习性能,在图像、文本等的分类任务上表现出比传统人工神经网络更高的准确率.此外,基于遗传算法的网络优化实验表明,为获得更高的适应度,大部分神经元都选择了与一定数量的胶质细胞“相连”,说明胶质细胞偶联的模型是经过了“自然进化、优胜劣汰”的更优模型.该模型能为构建更符合大脑工作机理的神经网络提供新的思路和方法,也能反向启发和推进神经科学研究.

联合对比学习与图神经网络的自优化单细胞聚类

单细胞RNA测序技术(single-cell RNA sequencing,scRNA-seq)在单个细胞的水平上对转录组进行高通量测序分析,其核心应用是识别具有不同功能的细胞亚群,通常基于细胞聚类来完成.然而,scRNA-seq数据高维度、高噪声、高稀疏的特点使得聚类充满挑战.常规的聚类方法表现不佳,现有的单细胞聚类方法也大多只考虑基因的表达模式,而忽略了细胞之间的关系.针对这些问题,提出了一个联合对比学习与图神经网络的自优化单细胞聚类方法(self-optimizing single-cell clustering with contrastive learning and graph neural network,scCLG).该方法采用自编码器来学习细胞的特征分布.首先构建细胞-基因图,使用图神经网络进行编码,以有效利用细胞之间的关系信息.通过子图采样和特征掩码获取增广视图用于对比学习,进一步优化特征表示.最后使用自优化的策略将聚类模块和特征模块联合训练,不断优化特征表示和聚类中心,实现更准确的聚类.在10个真实的scRNA-seq数据集上的实验表明,scCLG能够学习到细胞特征的良好表示,在聚类精度上全面优于其他方法.

胶质母细胞瘤在多个空间和时间尺度上破坏大脑皮质的神经网络活动

大脑皮质组织中生长的胶质母细胞瘤(GBM),会引发早期和持续的神经元过度兴奋,其导致的症状范围包括轻度的认知障碍到严重的癫痫发作。在GBM肿瘤周围,突触密度、神经元信号的扩散动力学、过量谷氨酸的空间分布,这些因素对高阶神经元网络模块化的影响尚不清楚。在本研究中,通过联合采用钙和谷氨酸荧光报告分子的细胞和广角成像技术,对两种具有不同突触微环境和浸润特征的GBM小鼠模型进行了研究。

基于改进模糊神经网络的细胞活性预测

针对细胞活性的预测问题,提出了一种利用自适应差分进化算法优化的模糊神经网络(ADE-FNN)预测模型。首先,通过模糊化处理细胞培养过程中的多种影响因素(如培养基成分、温度、pH值等),将这些因素作为模糊神经网络的输入。然后,利用已有的细胞活性数据对模型进行训练,优化网络参数。经过多次迭代和调整,模型逐渐学习到输入与输出之间的复杂映射关系。最后,利用细胞活性仿真实验验证所提ADE-FNN算法的性能。结果表明,基于模糊神经网络的细胞活性预测模型具有较高的预测精度和泛化能力。与传统的统计方法相比,该模型能够更好地处理数据中的不确定性和噪声,从而提供更准确的预测结果。此外,该模型还具有较好的可解释性,有助于深入理解细胞活性的影响因素及其作用机制。

基于细胞神经网络的尿沉渣图像分割

针对临床尿沉渣显微图像识别问题,提出了一种新的图像预处理方法和基于细胞神经网络(CNN)的分割算法.该方法通过拉伸图像中各个像素的灰度值与局部灰度值之间的差来增强图像中目标的边界,通过对局部灰度均值的非线性变换来消除图像中光照的不均匀,进而设计出合适的CNN模板来分割图像,最终利用形态学操作得到分割结果.通过对100幅临床尿液样本图像的测试,并与传统的阈值分割法相比,该方法获得了更加连续的边界和更加准确的目标分割结果,并已集成到全自动尿液粒子分析系统中,应用于临床,取得了良好的效果.

基于细胞神经网络CNN的图像检测提取的研究

细胞神经网络是一种适于并行计算的模型，本文利用细胞神经网络（CNN）实现了二值图像和灰度图像的边缘检测，详细分析了CNN的设计过程，并结合CNN的稳定性和判断边缘点的准则给出了模板参数的取值范围，并进一步推导了参数与输入像素之间的关系。最后给出了仿真结果，并对结果进行了比较与分析。

基于细胞神经网络的从阴影恢复形状的新方法

细胞神经网络(CNN)是一种实时处理信号的大规模非线性模拟电路,它的连续时间特点以及局部互连特点使其可以进行并行计算,并且非常适用于超大规模集成电路(VLSI)的实现.本文针对从阴影恢复形状(SFS)问题,提出了一种基于硬件退火CNN的能量函数优化方法,并对该方法进行了详细分析,给出了实例的仿真结果,验证了该方法的有效性.该方法为并行处理算法,具有运算量小、易于大规模VLSI集成实现,且能够克服局部极小等优点,可以使SFS问题得到实时的处理.

Josephson环耦合量子细胞神经网络混沌动力学分析

量子细胞神经网络(QCNN)在大规模信号处理上是一种崭新的结构,将是未来细胞神经网络(CNN)一个新的发展方向。以Josephson环的幅值和相位作为状态变量,研究了两个Josephson环耦合的量子细胞神经网络的非线性动力学行为。通过理论研究和计算机仿真,发现系统具有丰富的动力学行为,如周期、拟周期、混沌和超混沌状态。分析了细胞内隧穿矩阵元比例系数和相邻细胞互感系数对系统分岔与混沌特性的影响,发现系统经拟周期分岔进入混沌,在不对称细胞耦合的量子细胞神经网络中,系统能产生混沌的参数范围较大,且在混沌区域没有周期窗口,是一种鲁棒混沌;在对称细胞耦合的量子细胞神经网络中,系统能产生混沌的的参数范围相对较小,且在产生混沌振荡的区域内有周期、拟周期窗口。

细胞神经网络在通信信号处理中的研究进展

基于非线性理论的通信信号处理一直是信号处理领域的热点研究问题。细胞神经网络(CNN)作为最易于VLSI实现的一类神经网络 ,是非线性理论的一个重要研究方向 ,近年来在通信信号处理领域取得了许多重要进展。文中主要介绍了细胞神经网络的基本理论、结构及其在通信信号处理中的研究进展 。

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。新方法继承了CNN的优点,解决了CNN现有算法不能直接检测彩色图像边缘的问题。该方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN方程可以在RGB彩色空间中进行运算。对CNN模板进行理论分析和鲁棒性研究,提出一个实现彩色图像边缘检测功能要求的CNN鲁棒性定理,为设计相应的CNN模板参数提供了解析判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN边缘检测定位准确的优点。

基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

形态、颜色特征及神经网络在肺癌细胞识别中的应用研究

通过形态、颜色的分析 ,对细胞图像进行形态特征和颜色特征的提取 ,在此基础上 ,用神经网络对细胞图像进行识别分类 .实验结果表明 ,文中提出的方法可以取得很好的效果 .