生物神经系统的若干问题研究

Synthesizing neurophysiology, statistic physics theory, complex network theory and nonlinear dynamics theory, several problems on information processing in the neural systems of brains will be studied in the project. Firstly, constructing the hierarchical small-world networks based on the characteristics of neural systems, and then studying the effect of this kind of unique structure (i.e. hierarchical organization) on the complex nonlinear dynamical characteristics, the electrical characteristics and the information processing mechanism of the neural systems. Secondly, under the frame of the realistic neural network models, studying the effect of STDP (spike timing dependent plasticity) on the complex dynamical characteristics and the information processing mechanism of the neural systems, especially, on learning and information detection. Thirdly, in the aspect of the collectivity effect, using statistic physics method and information theory to study information processing of the neural systems, especially, on information transmission rate. Finally, synthesizing the four main characteristics of the neural systems relative to the computer's CPU, studying their coupling effect on the complex dynamical characteristics, the electrical characteristics and information processing of the neural systems, especially, on generation, transmission, encoding and detection of neural information. Theses research works will enrich neurophysiology, complex network theory and nonlinear dynamics theory, and provide valuable ideas to explore the high-level functions of human being's brains, such as learning, memory and perception et al.

将神经电生理学理论、统计物理学理论、复杂网络理论和非线性动力学理论有机结合起来，研究大脑神经系统信息处理的若干问题。首先构造反映神经系统特征的层式小世界网络模型，研究这种独特的层式结构对神经系统复杂动力学特征、电学特征和信息处理机制的影响；其次在真实神经网络模型的框架下，研究STDP（尖峰时刻依赖可塑性）这种特殊的神经可塑性对神经系统复杂动力学特征和信息处理机制，特别是学习和信息检测的影响；再次采用统计物理方法和信息论，从集体效应的角度研究神经系统的信息处理，特别是信息传输速率；最后将大脑神经系统相对于计算机CPU的四大主要特征结合起来，研究它们对神经系统复杂动力学特性和电学特性的耦合效应，探索它们对神经信息处理，如神经信号产生、传输、编码与检索的耦合影响。这些研究工作将丰富神经电生理学理论、复杂网络理论和非线性动力学理论，同时为探索人脑的学习、记忆、感知等高级活动提供有参考价值的新思路。

在生物神经网络的基础上，通过仿生学的原理发展出了人工神经网络。人工神经网络在图像处理、模式识别和人工智能等领域有重要的影响。近年来，进一步模仿生物神经网络的原理和机制，在人工神经网络BP（Back Propagation）模型的基础上发展出更深更宽的网络，也就是卷积神经网络。以卷积神经网络为基本原理开发出来的阿拉法狗战胜顶级的国际围棋大师是人工神经网络和人工智能领域标志性的事件，标准着人类正式进入工业4.0时代。卷积神经网络的发现必然对图像处理、人工智能和第四次工业革命产生深远的影响和现实的意义。本项目以生物神经网络为基础，利用卷积神经网络研究图像处理、交通标示的识别和模式识别等问题，提高了图像识别和交通标示识别的准确率。我们提出了一种改进的网络模型，该模型集合了多尺度输入、并行交叉以及恒等映射的特点，并且能够保证特征提取的充分性与多样性并使网络性能不会随深度加深而退化，从而提高了交通标识的识别准确率。基于并行和切片的卷积神经网络模型，提出了一种新的模型。这种模型能够提取更为本质的图像特征，在不大量增加网络参数的前提下，提高了图像识别的准确率。我们通过改进网络结构和具体的算法，不仅大量精简了网络参数，在较小的数据集基础上获得了不错的图像识别率。针对卷积神经网络参数数量多并且分类精度不高的问题，提出了基于轻量型的卷积神经网络模型。该模型是把上层输出先通过数量较少的卷积核，再通过并行操作得到与原模型相同维度的输出。和同规模的模型相比，该模型在减少参数的同时增加了网络的深度。在实验阶段用该网络在 caltech256 和 101_food 数据集上进行测试，实验结果表明该模型性能优越。在本项目资助下取得的一系列成果，不仅有一定的理论价值和学术价值，还可以应用到具体的工业领域，比如说比如说智能监控、智能交通监管和海量图片处理等等。

内容获取失败，请点击重试