本文關(guān)鍵詞：整合發(fā)放神經(jīng)元模型突觸輸入?yún)?shù)估計(jì)研究

  更多相關(guān)文章： 整合發(fā)放神經(jīng)元模型 突觸輸入 噪聲 極大似然估計(jì) 最小二乘估計(jì)

【摘要】：估計(jì)神經(jīng)元模型中參數(shù)對研究神經(jīng)元對刺激的響應(yīng)以及了解人腦工作機(jī)制具有非常重要的意義。在神經(jīng)元模型中，參數(shù)大致分為輸入?yún)?shù)和內(nèi)部參數(shù)，內(nèi)部參數(shù)是描述神經(jīng)元本身電化學(xué)特性的（如膜時(shí)間參數(shù)、離子通道電導(dǎo)）。這類參數(shù)通常與細(xì)胞的某些內(nèi)在特性有關(guān)，有具體的生物學(xué)解釋。此類參數(shù)對特定的細(xì)胞來說值是固定不變的同時(shí)可以利用一些電生理實(shí)驗(yàn)方法測定；另一類參數(shù)是描述神經(jīng)元輸入信號(hào)特性的參數(shù)稱之為輸入?yún)?shù)。輸入?yún)?shù)是可變的，只能通過假定神經(jīng)元膜電位服從給定的模型才能進(jìn)行估計(jì)，因此輸入?yún)?shù)是模型中最重要的參數(shù)。本文研究突觸輸入和噪聲共同作用下的整合發(fā)放神經(jīng)元模型中輸入?yún)?shù)估計(jì)問題。對文中給定的數(shù)學(xué)模型，本文分別討論了不考慮閾值情況下和考慮閾值情況下的輸入?yún)?shù)估計(jì)問題。在不考慮閾值情況下，將膜電位變化看成是一個(gè)連續(xù)的變量然后采用最小二乘估計(jì)對所給模型中輸入?yún)?shù)進(jìn)行估計(jì)。在考慮閾值情況下，將閾值看成一個(gè)吸收邊界，然后利用Fokker-Planck方程導(dǎo)出閾上活動(dòng)下膜電位轉(zhuǎn)移概率密度，，最終采用極大似然估計(jì)得到了輸入?yún)?shù)的精確估計(jì)，并將兩種不同情況下的估計(jì)結(jié)果進(jìn)行比較。結(jié)果表明，最小二乘估計(jì)依賴于活動(dòng)，它僅僅適合閾下活動(dòng)的參數(shù)估計(jì)而對閾上活動(dòng)無效。極大似然估計(jì)適用于所有活動(dòng)，它不依賴于活動(dòng)。無論是從適用范圍還是估計(jì)精度來說，極大似然估計(jì)都要優(yōu)于最小二乘估計(jì)。
【關(guān)鍵詞】：整合發(fā)放神經(jīng)元模型 突觸輸入 噪聲 極大似然估計(jì) 最小二乘估計(jì)
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：O212.1;R338
【目錄】：

• 致謝7-8
• 摘要8-9
• ABSTRACT9-11
• 插圖清單11-12
• 表格清單12-13
• 第一章 緒論13-18
• 1.1 論文研究背景及意義13-15
• 1.2 參數(shù)估計(jì)研究現(xiàn)狀15-16
• 1.3 本文的基本內(nèi)容和安排16-18
• 第二章 基本理論18-24
• 2.1 神經(jīng)活動(dòng)的生物物理學(xué)18-20
• 2.1.1 神經(jīng)元的結(jié)構(gòu)18-19
• 2.1.2 神經(jīng)元的電特性19-20
• 2.2 腦功能的微觀研究方法20-21
• 2.3 擴(kuò)散過程與 Fokker-Planck 方程21-23
• 2.4 本章小結(jié)23-24
• 第三章 不考慮放電閾值 IF 模型突觸輸入?yún)?shù)的最小二乘估計(jì)24-30
• 3.1 引言24-25
• 3.2 數(shù)學(xué)模型25-27
• 3.3 數(shù)值分析27-29
• 3.4 結(jié)論29-30
• 第四章 考慮放電閾值 IF 模型突觸輸入?yún)?shù)的極大似然估計(jì)30-36
• 4.1 引言30-31
• 4.2 數(shù)學(xué)模型31-33
• 4.3 數(shù)值分析33-35
• 4.4 小結(jié)35-36
• 第五章 總結(jié)36-37
• 5.1 全文總結(jié)36
• 5.2 研究展望36-37
• 參考文獻(xiàn)37-40
• 攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況40-41

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 曾U喺

本文編號(hào)：979693