文摘

生物神经网络系统是一个复杂的非线性动态系统,并研究其动力学在国内外是一个重要的话题。简要介绍了神经网络系统的动态特性和影响因素,包括时间延迟的影响和噪声对神经网络同步,同步转型,和随机共振,介绍了神经网络的建模系统。有不规则的混合问题复杂的生物神经网络系统。BP神经网络算法可以用来解决更复杂的动态行为,可以优化全球搜索。为了确保神经网络增加了生物学特性,本文调整BP神经网络的参数接受脑电图信号在不同的州。它可以模拟不同的脑电波频率和类型,并且它还可以执行各种各样的操作系统的模拟。最后,实验分析表明,复杂的生物神经网络模型提出了具有良好的动态特性,并应用该算法数据信息处理,数据加密,以及许多其他方面有着光明的前景。

1。介绍

人工神经网络模型,作为一种有效的数据处理系统,也是一个非线性动态系统。根据国内外学者的不断研究,许多不同的模型基于神经网络算法开发。由于人工神经网络的不断发展,被广泛应用于许多领域。在实际应用过程中,他们已经表明,他们可以有效地解决许多复杂的问题1- - - - - -3]。他们也发挥着越来越重要的作用在许多行业,如图像识别。因为人工神经网络强大的数据信息处理和分析功能,国内研究者们逐渐开始定义模拟的人工神经网络算法。多通道记忆电阻脉冲耦合神经网络模型提出了基于微小记忆电阻的精确模拟了神经网络。中间连接系数的变化可以有效地解决中相应的参数估计问题的神经网络算法的过程。3 d记忆性人力资源神经元模型提出了基于整体隐藏的振荡,这才能真正反映脑电波的复杂动态特性的神经网络(4]。其中,浑浊的系统的状态不仅取决于它的实时状态,还取决于系统的初始化状态。这一特点也反映出生物大脑的特点。

根据生物神经元的兴奋特性,功率变化,生物神经元兴奋的统计特征和不同的学习系数结合神经网络算法的应用在现实生活中,本文运用BP神经网络构建一个复杂的生物神经网络模型和研究结果表明,学习生物神经网络的连接权系数的优化效果的刺激特征网络。

2。BP神经网络算法

神经网络通常是在不同的州在生活中,和相应的脑波类型也不同。正弦波信号的脑电波并不单独存在。频率越低,振幅越低,反之亦然(5- - - - - -7]。考虑到大脑。多频正弦波信号多个正弦波信号与不同的振幅,阶段和频率。神经网络信号的数学表达式如下: 在哪里 , ,和振幅、角频率和初始阶段,分别。

为了便于分析,本文将简化它,使用两个不同频率的正弦信号的叠加和初始阶段形成神经网络信号,并引入到生物神经网络的BP神经网络;BP神经网络被定义为 在哪里x是自变量,表明大脑活动的强度;一个,一个₁,一个₂振幅(间隔吗 ,在这 );问,米,n是积极的参数;和是两个不同的正弦函数的陡度参数;和和最初的阶段。当参数值一个= 0.3, , , , =、米= 6.8,n= 1.8,问= 7,BP神经网络的波形如图1。

从图可以看出1振幅和频率变化的BP神经网络由两种不同频率正弦函数的叠加更复杂。与单频正弦函数转换相比,两个不同频率的正弦函数和阶段添加这些功能,使整个函数接近脑电波的生物学机制。

3所示。神经网络模型的建模问题

这是目前最活跃的方向计算神经科学和是一个重要的方法和手段研究大脑功能(8- - - - - -10]。

有三个类型的大脑网络。一个是结构网络是基于神经解剖学的原则,由电或化学神经突触之间的连接。一般由主体和MRI解剖。第二个是功能性网络描述了神经元集群(例如,皮质区)。的结果生成的信息统计每个节点之间的关系是一个没有方向的网络连接。第三是有效的网络。有效的网络之间的交互或信息流描述非线性动态行为层神经网络的每个节点,针对网络。一个合理的神经网络模型对神经科学计算是非常重要的,也是一个极其艰巨的任务。到目前为止,大量的人工神经网络模型的建模工作已经开展,但是单位的性质和连接方法是高度人工。如何结合实际生物神经网络的特点和认知功能需求,包括解剖连接(考虑空间约束)和功能连接(考虑信息交换和集成),在未来将得到特别关注。

在整个生物神经网络系统中,神经元之间的信息传输和转换主要是实现了神经键。根据神经元的组合机制,天线传输分为电天线和化学天线。根据响应特性,它分为兴奋性类型和抑制类型。自1990年代以来,一些理论模型的结合电动雪茄和化学建立了雪茄,和各种同步放电行为的神经系统研究相结合。这些结果初步反映了复杂的相位关系和信息传递的动态神经元集群和表明,神经元同步起着重要的作用在大脑的信息处理。然而,在大多数神经网络建模,不考虑空间距离的连接方案。在大型神经元网络,远程连接在太空意味着高能源消耗。因此,现实世界的模型应考虑空间约束。此外,在当前的研究中,对称和未加权的连接矩阵通常被认为是,但实际加权矩阵不对称耦合神经元之间的相互作用更合理。

拓扑识别复杂的神经网络也是一个热点问题,它是反问题的同步和控制复杂的电网。当前网络拓扑识别主要使用自适应方法构造辅助网络(响应网络),并使用自适应规则来达到识别的目的网络方面的权利。由于大量的计算,这种方法是比较困难的大规模网络。如何进一步利用anti-synchronization、噪音、混乱和其他新手段网络拓扑识别是一个非常有趣的问题。

4所示。动态神经网络模型的特点和影响因素

目前的研究对神经网络同步主要是进行完整的同步和相位同步问题的理想模型,但很少有研究相位同步,同步集群,集群同步,等等,这是密切相关的生物神经网络系统的生理功能(11,12]。特别是,如何结合这些同步正常和不正常生理功能的生物神经网络系统?神经网络模型具有更少的总时空动态、信息传播和识别问题。神经网络的动态特性包括稳定性、健壮性、功能效率,控制特性,动态行为、时空演化模型,等。这些问题值得深入研究。

时间轴和噪音是不容忽视的重要因素在实际生物神经网络,这两个因素,学者的理论分析往往不能被忽视。他们中的大多数需要使用基于数值模拟的方法来解释和分析问题是否形成理论体系。

在当前的研究中,电神经元素之间的组合被认为是很多,但事实上,神经元之间的信息交换,神经元电和化学天线在同一时间进行。这些常见的节奏起到互补作用的网络的整体性能。此外,应考虑对应于这两种类型的神经元因为在网络的集群活动,抑制性神经元兴奋性神经元可以导致不同的动态属性。神经网络模型的拓扑结构和统计特性的神经认知功能密切相关。重要的是大脑网络的小世界特性。人们已经发现,我们只了解其复杂的网络结构和动态行为的第一步。网络科学理论的发展需要建立更多的测量网络拓扑结构的特点,通过实验测量,研究新的与神经网络模型的动态行为的关系。

5。基于BP神经网络的复杂生物神经网络模型

函数与生物学特性设计本文结合原BP神经网络作为非线性BP神经网络。生物神经网络模型可以描述为 在哪里 , ,和是常数。当 , ,和需要一些特定的值,它可以呈现混乱与丰富的动态特性。让的生物参数sixth-order生物神经网络

然后,BP神经网络可以被描述为复杂的生物神经元模型

其中,

本文以几个具有代表性的参数c,问,n在BP神经网络分析的影响在生物神经网络BP神经网络。其中,c代表了BP神经网络的比例系数,问控制振幅参数吗一个,n是控制频率的参数变化。作为参数c,问,n变化,该系统将在一个不同的状态。修复的初始条件(0.1,0.2,0.3,0.4,0.5,0.6),让参数c,问,n分别改变在一定时间间隔;其他参数表中列出的值1,分岔图和相应的系统的李雅普诺夫指数谱图所示2。

5.1。BP神经网络参数的影响n在系统动力学

当n的变化区间[0、5]的值c和问是c= 0.25,问=−1,其余的参数表中列出1。系统的分支图和李雅普诺夫指数谱图所示3。

在BP神经网络,n是控制频率的参数变化。从图可以看出3作为参数n增加,系统变得混乱。因此,频率范围的n> 3.2时,系统似乎并不复杂。

5.2。BP神经网络参数的影响c在动态特性

当c的变化区间[0,1],的值问和n是问=−1和n= 2.5,其余参数如表所示1。系统的分支图和李雅普诺夫指数谱图所示4。

从图可以看出4系统分支机构定期通过周期轨道和变成一个混乱的状态。的参数c的比例系数是BP神经网络。当c的比例较大,生物神经网络中的BP神经网络函数也大。作为参数c逐渐增加,混沌映射区间的变量x(振幅)逐渐增加。当c跑到0.51和0.7,混沌映射区间突然增加。此时,系统的吸引子变得更加复杂。这种现象也验证参数越大c。神经网络函数的比例越大,系统变量的混沌映射区间越大,及其动态特性更多样。其典型的混沌吸引子图所示5。

5.3。BP神经网络参数的影响问在动态特性

当问变化的时间间隔(−1.5,0.5),的值c和n是0.25和2.5,其余的参数表中列出1。系统的分支图和李雅普诺夫指数谱图所示6。

在BP神经网络,问控制振幅参数吗一个。可以看出,作为参数问逐渐增加时,系统从混沌周期通过几个逆倍周期分岔的窗户,和在整个进化过程有很多次。之间的切换周期轨道和混沌轨道将一定限制的振幅系统的BP神经网络。几种典型的相图x- - - - - -y相平面不同吸引子问如图7。

从数据可以看出3,4,6当系统变化的参数c,问,n,生成的混沌吸引子的李雅普诺夫指数都大。当参数c变化,最大李雅普诺夫指数为2.5214,当参数问变化,最大李雅普诺夫指数是2.0653。大的李雅普诺夫指数反映了系统的轨道之间的分离程度当初始值变化时,也就是说,它有更好的初始敏感性。这表明系统的作用下将产生更复杂的混沌动力学BP神经网络。

6。分析复杂生物神经网络模型的动态特性

系统设置参数一个₂₄= 6,一个= 0.5,c= 0.24,米= 5.6,n= 2.7,问=−1,ε₁= 0.05,ε₂= 0.04,φ=−π/ 4。初始条件的变化[0.1,y(0),0.3,0.4,0.5,0.6),如图所示8为系统的李雅普诺夫指数谱和分支图。

可以看出,该系统大部分时间处于混乱状态,及其轨迹大致分为三个部分。第一部分是在切换周期轨道和混沌轨道;第二和第三部分是在一个混乱的状态,和其吸引子类型和形状变化因此,如图9。当y(0)在区间[2−−1],该系统大部分时间处于周期性的状态,但也有很多次的切换周期轨道和混沌轨道。当y(0)在区间(−1、2),系统处于混沌状态,但当y(0)为0.7,混乱,如图8。

13,14传统的初始值敏感性一般指的是相同的。混沌吸引子,混沌轨道快速分离由于小扰动的初始值。系统动力学的特点,但特点是不同的。因此,有两种类型的吸引子共存:不同吸引子具有相同的动态行为,称为同质共存吸引子,和不同吸引子具有不同的动态行为,称为异构吸引子共存。如果混沌系统吸引子共存,混沌系统对初始值和更敏感更复杂的动态行为,并且系统具有更好的应用价值在信息加密和安全通信。

7所示。结论

摘要BP神经网络算法用于复杂生物神经网络的结构模型。神经网络模型可以产生良好的动态特性,这主要是由不同类型的混合流动,周期吸引子当中,不同类型的吸引子共存。实验分析结果表明,本文构造的复杂的生物神经网络模型具有良好的性能。动力学特征。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。