發(fā)布時(shí)間：2017-04-07 15:10

  本文關(guān)鍵詞：一類神經(jīng)元群體的隨機(jī)編碼與Bayes解碼模型，由筆耕文化傳播整理發(fā)布。

【摘要】：研究神經(jīng)元群體的編碼與解碼對(duì)于揭示大腦是如何處理信息、識(shí)別刺激以及如何認(rèn)知世界具有重要的理論意義。編碼是指神經(jīng)元群體對(duì)刺激的隨機(jī)反應(yīng),解碼是指利用神經(jīng)元反應(yīng)的信息對(duì)刺激進(jìn)行估計(jì)。由于神經(jīng)元群體對(duì)刺激的編碼與解碼受到很多因素的影響和干擾,故表現(xiàn)出極大的復(fù)雜性,因此對(duì)其研究是很有必要的。本文第一章簡(jiǎn)要介紹神經(jīng)元群體編碼與解碼的研究背景和預(yù)備知識(shí)。第二章主要討論神經(jīng)元群體對(duì)二維刺激的編碼以及解碼模型,其中編碼過(guò)程中假設(shè)神經(jīng)元群體的放電率服從泊松分布,相關(guān)的調(diào)制函數(shù)為多維正態(tài)分布,解碼是利用Bayes方法進(jìn)行統(tǒng)計(jì)推斷。通過(guò)Bayes解碼我們可以得到二維刺激后驗(yàn)分布的均值和方差。另外,我們討論了多感官的神經(jīng)元群體對(duì)二維刺激的編碼與解碼,最后通過(guò)數(shù)值模擬驗(yàn)證了綜合多感官得到的估計(jì)值優(yōu)于單個(gè)感官的估計(jì)值。第三章首先在考慮先驗(yàn)信息的前提下給出了判斷目標(biāo)是否出現(xiàn)的判斷函數(shù),然后求出了神經(jīng)元群體放電率的概率密度函數(shù),并由此計(jì)算出判別函數(shù)的表達(dá)式。最后通過(guò)數(shù)值模擬對(duì)理論模型進(jìn)行了驗(yàn)證。第四章在編碼過(guò)程中考慮帶有隨機(jī)振幅的放電率,并假設(shè)放電率之間存在相關(guān)性,我們首次提出放電率依賴于隨機(jī)振幅的模型,并在此模型下研究了神經(jīng)元群體的Fisher信息量,通過(guò)極大似然估計(jì)給出了刺激的估計(jì)值,最后通過(guò)數(shù)值模擬證實(shí)神經(jīng)元群體能夠正確的識(shí)別不同的刺激。
【關(guān)鍵詞】：神經(jīng)元群體 調(diào)制函數(shù) 編碼 Bayes解碼 Fisher信息量
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R338;TN911.7
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-18
• 1.1 研究背景9-11
• 1.2 本文主要研究工作11
• 1.3 預(yù)備知識(shí)11-18
• 1.3.1 調(diào)制函數(shù)11-13
• 1.3.2 編碼和解碼的一般模型13-15
• 1.3.3 多感官神經(jīng)元群體對(duì)來(lái)自不同神經(jīng)元群體反應(yīng)的綜合15-16
• 1.3.4 Fisher信息量16-18
• 第二章 神經(jīng)元群體對(duì)二維刺激的編碼和解碼18-29
• 2.1 引言18
• 2.2 神經(jīng)元群體關(guān)于二維刺激的編碼模型18-19
• 2.3 神經(jīng)元群體關(guān)于二維刺激的Bayes解碼模型19-21
• 2.4 Fisher信息矩陣21-24
• 2.5 多感官神經(jīng)元群體對(duì)二維刺激的最優(yōu)估計(jì)24-28
• 2.5.1 由多個(gè)神經(jīng)元群體所決定的二維刺激的后驗(yàn)分布24-26
• 2.5.2 多感官神經(jīng)元群體對(duì)二維刺激的最優(yōu)估計(jì)26-28
• 2.6 本章小結(jié)28-29
• 第三章 由神經(jīng)元群體的放電率判斷目標(biāo)是否出現(xiàn)29-36
• 3.1 引言29
• 3.2 由神經(jīng)元群體的放電率決定的判斷函數(shù)29-33
• 3.2.1 目標(biāo)識(shí)別的判斷函數(shù)29-31
• 3.2.2 神經(jīng)元群體放電率的概率密度函數(shù)31-32
• 3.2.3 均勻的干擾項(xiàng)32
• 3.2.4 非均勻的干擾項(xiàng)32-33
• 3.3 數(shù)值模擬33-35
• 3.3.1 通過(guò)神經(jīng)元群體的放電率對(duì)目標(biāo)識(shí)別的判斷函數(shù)的模擬33-34
• 3.3.2 目標(biāo)出現(xiàn)的先驗(yàn)概率對(duì)判斷目標(biāo)是否出現(xiàn)的影響34-35
• 3.4 本章小結(jié)35-36
• 第四章 考慮基于隨機(jī)振幅的相關(guān)性的編碼與解碼模型36-45
• 4.1 引言36
• 4.2 模型介紹36-37
• 4.3 Fisher信息量37-41
• 4.4 對(duì)方向θ的解碼及識(shí)別41-44
• 4.4.1 似然函數(shù)41-43
• 4.4.2 對(duì)不同方向的識(shí)別43-44
• 4.5 本章小結(jié)44-45
• 第五章 總結(jié)與展望45-46
• 5.1 本文總結(jié)45
• 5.2 工作展望45-46
• 參考文獻(xiàn)46-49
• 致謝49-50
• 在校期間研究成果及發(fā)表的學(xué)術(shù)論文50

【共引文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 陳鋮;視覺(jué)顯著區(qū)域的圖像編碼[D];天津大學(xué);2014年

  本文關(guān)鍵詞：一類神經(jīng)元群體的隨機(jī)編碼與Bayes解碼模型，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：290702