НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o520.Pdf (665.50Кб)

УДК 681.58

Россия,  МГТУ им. Н.Э. Баумана

Проведено моделирование элемента нейронной сети с учетом свойств нейрона, как биологического объекта и принципов записи и обработки информации в нейронах. В отличие от упрощенного представления нейрона, как логического элемента в сети обработки информации, нейрон рассмотрен как аналоговый элемент, хранящий и генерирующий информацию. В нейроне для обработки информации участвуют дендриты, синапсы, аксоны, формирующие и передающие импульсы. Рассмотрены импульсы, генерируемые в нейроне. Записаны выражения для формы и спектра таких импульсов и их ЧМ последовательность. Импульсы формируются из теплового белого шума, и это позволило найти передаточную функцию отдельных дендритов. По этим функциям записана передаточная функция нейрона в целом. Нейрон, управляемый внешними сигналами, осуществляет сложение с разными временными задержками импульсов, поступающих из разных дендритов и имеющих разные периоды повторения.   Описана функциональная схема нейрона. Приведено уравнение для вектора сигналов отдельного слоя нескольких нейронов. Сигналы, формируемые в каждом слое, представляют собой не набор единиц и нулей, а импульсные частотно-модулированные сигналы, управляющие синапсами следующего слоя. Рассмотрен принцип управления синапсами с помощью поступающих на них ЧМ импульсных последовательностей. Приведены результаты моделирования механизма выделения синапсом ЧМ модуляции из подводимого к нему импульсного сигнала. Чем выше частота повторения импульсов в сигнале, тем больше молекул медиатора выделяется в синапсе, и тем выше в управляемом дендрите потенциал, от которого зависит частота генерации импульсов. Рассмотренная в статье модель нейрона может быть положена в основу создания искусственных интеллектуальных систем обработки информации.

1. Burkitt A.N. A review of the integrate-and-fire neuron model: I. Homogeneous synaptic input // Biological Cybernetics. 2006. Vol. 95, no. 1. P. 1-19. DOI: 10.1007/s00422-006-0068-6
2. Hodgkin A., Huxley A. A quantitative description of membrane current and its application to conduction and excitation in nerve // J. Physiol. 1952. Vol. 117. P. 500-544.
3. Hindmarsh J.L., Rose R.M. A model of neuronal bursting using three coupled first order differential equations // Proceedings of The Royal Society of London. Series B, Biological Sciences. 1984. Vol. 221, no. 1222. P. 87-102. DOI: 10.1098/rspb.1984.0024
4. Rall W. Core conductor theory and cable properties of neurons // In: Pollock D.M., ed. Comprehensive Physiology . Wiley, 2011. P . 39-97. DOI:10.1002/cphy.cp010103
5. Хьюбел Д., Стивенс Ч., Кэнделл Э. и др. Мозг: сб. статей: пер. с англ. / Под ред. П.В. Симонова. М.: Мир, 1982. 194 с.
6. Маккаллок У.С., Питс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы: сб.: пер. с англ. / под ред. К.Э. Шеннона, Дж. Маккарти. М.: Изд-во иностранной лит-ры, 1956. С. 362-384.
7. Hopfield J.J. Neural network and physical system with emergent collective computation abilities // Proceedings of the National Academy of Sciences of the United States of America. 1982. Vol. 79, no. 8. P. 2554-2558. DOI: 10.1073/pnas.79.8.2554
8. Rubinov M., Sporns O., Thivierge J.-P., Breakspear M. Neurobiologically realistic determinants of self-organized criticality in networks of spiking neurons // PLoS Computational Biology. 2011. Vol. 7, no. 6. Art. no. e1002038. DOI: 10.1371/journal.pcbi.1002038
9. Smith L.S. Implementing Neural Models in Silicon. Section 5.4: Implementing spiking neurons // In: Handbook of Nature-Inspired and Innovative Computing: Integrating Classical Models with Emerging Technologies / A.Y. Zomaya, ed. Springer US, 2006. P. 459.
10. Лазоренко О.В., Черногор Л.Ф. Сверхширокополосные сигналы и физические процессы. 1. Основные понятия, модели и методы описания // Радиофизика и радиоастрономия. 2008. Т. 13, №. 2. С . 166-195.