数据驱动的非贝叶斯认知网络动力学演化的若干问题研究

Recently, with a rapid development of biomedical technology and brain science, the collective and cognitive behaviors for large populations have attracted extensive attention from communities of different disciplines. Particularly in the information era today, the explosive growth of data and the fast progress of transmission speed bring challenge and opportunity to the study of collective and cognitive science. This application will study the infinite dimensional dynamics and the cognitive mechanism in a kind of non-bayesian collective and cognitive model with randomness by using both the model-driven method and data-driven method. Meanwhile, this application designs and organizes cognitive experiments to support the theoretical results. The main research contents are divided into the following two parts. Firstly, we analyze the controllability, stabilizability and consensus ability of this collective and cognitive model in different and complex network topologies from the theoretical perspective, and then get the methods of regulating and controlling the model. Secondly, we combine the data analysis with the model, to study the method of reconstructing the network topologies from the data, and then, realize the data-based regulation and control of the collective and cognitive behaviors. We believe that, we can finally realize the effective regulation and control of the collective and cognitive behaviors in the model through our efforts.

近年来，随着生物医学技术以及认知科学、脑科学研究的迅速发展，人类群体的认知演化问题得到了广泛的关注。特别是信息时代的今天，数据量爆发式增长，信息传输速度日新月异，这为认知科学的研究带来了很大的挑战和机遇。本申请拟将从模型驱动和数据驱动两个角度系统研究一类非贝叶斯认知随机模型的无限维动力学演化及相关群体认知形成的机制。同时，本申请设计并拟开展认知实验，对理论研究结果进行实验交互支撑。具体而言，我们首先从理论角度入手，分析群体认知模型在不同复杂网络结构下的能控性、能稳性、一致性等演化特征，进而研究对认知模型调控的若干方法。其次，将实验数据与模型结合，研究通过数据重构网络结构的方法，进而实现基于数据的群体认知的调控。我们相信，通过我们的努力，能最终实现群体认知模型的有效调控。

非贝叶斯社会学习模型是研究群体认知过程的经典模型，该模型对于研究人类的认知过程具有重要意义和价值。然而，经典的非贝叶斯社会学习模型由于其网络的强连通假设，以及模型本身元素的单一性，使得其在实际场景中的应用具有一定的局限性。本项目在经典非贝叶斯模型的基础上，对其进行改进和完善，根据具体情况重新建模，发展相应的理论和数值研究方法，并进一步结合机器学习算法对其进行研究。.基于项目计划书，本项目主要研究了以下三个方面的内容并取得了丰富的成果：1）理论方面，从多个角度研究了非贝叶斯社会学习模型的动力学演化规律，并对模型进行了连续化改进和分析；2）数据方面，使用神经网络时滞微分方程算法进行研究，对网络中个体的深层意识即似然函数进行识别重建，但在网络重构方面，研究成果稍有不足；3）实验方面，在模型中引入了多重因素影响，数值模拟了群体认知中不同意识之间的相互竞争的博弈过程，并进行了一定的理论分析。.本项目的研究内容是根据具体的实际问题演化而来，因而对一些现实生活中的问题的研究提供了理论基础。同时，本项目融合了动力系统、随机过程、数据处理、机器学习算法、博弈理论等多个学科的研究，对交叉学科的发展具有积极的促进作用。

内容获取失败，请点击重试