基于一种自适应突触学习规则的网络同步分析以及在记忆模型中的应用
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-26页 |
| ·学习和记忆概述 | 第12-14页 |
| ·神经编码 | 第14-18页 |
| ·神经计算中的非线性动力学 | 第18-22页 |
| ·神经系统与非线性动力学 | 第18-20页 |
| ·神经系统中的同步现象 | 第20-21页 |
| ·神经系统同步研究进展 | 第21-22页 |
| ·神经系统与随机共振 | 第22-23页 |
| ·本文研究内容及章节安排 | 第23-26页 |
| 第2章 基础知识与基本概念 | 第26-39页 |
| ·神经元与突触结构 | 第26-28页 |
| ·动作电位及其离子机制 | 第28-29页 |
| ·突触可塑性与学习 | 第29-32页 |
| ·突触可塑性与机制 | 第29-31页 |
| ·HEBB学习模型 | 第31-32页 |
| ·非线性动力学基础知识 | 第32-35页 |
| ·分岔与混沌 | 第32-34页 |
| ·同步 | 第34页 |
| ·随机共振 | 第34-35页 |
| ·编码处理技术 | 第35-38页 |
| ·放电序列提取 | 第35-36页 |
| ·频率计算与时间窗选取 | 第36-37页 |
| ·神经编码信息量的衡量 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 基于一种自适应突触学习规则的网络同步 | 第39-69页 |
| ·引言 | 第39-43页 |
| ·自适应突触学习模型 | 第43-46页 |
| ·学习模型算法设计 | 第43-44页 |
| ·学习算法的理论分析 | 第44-46页 |
| ·非对称神经网络模型 | 第46-61页 |
| ·ML神经元模型 | 第46-50页 |
| ·改进的NW小世界网络模型构造 | 第50-54页 |
| ·学习过程中的神经元放电模式 | 第54-55页 |
| ·基于动态相关系数的同步分析 | 第55-57页 |
| ·同步轨道分析和系统分岔现象 | 第57-61页 |
| ·非全同神经网络模型 | 第61-67页 |
| ·学习过程中的神经元放电模式 | 第61-63页 |
| ·基于动态相关系数的同步分析 | 第63-64页 |
| ·同步轨道分析 | 第64-65页 |
| ·基于POINCARE截面法的相同步 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 第4章 基于自适应突触学习的海马记忆模型 | 第69-89页 |
| ·引言 | 第69-71页 |
| ·海马的生理解剖与结构简化模型 | 第71-74页 |
| ·神经元分类及数学模型 | 第74-76页 |
| ·突触模型与突触后电流的时空整合 | 第76-80页 |
| ·海马系统模型中的随机共振现象 | 第80-84页 |
| ·自适应学习下的同步记忆仿真 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 本章参数附录 | 第86-89页 |
| 第5章 基于汉密尔顿原理的广义能量编码初探 | 第89-103页 |
| ·引言 | 第89页 |
| ·拉格朗日方程与汉密尔顿原理 | 第89-97页 |
| ·基于汉密尔顿原理的神经元模型及广义能量 | 第97-99页 |
| ·数值仿真及广义能量编码的讨论 | 第99-101页 |
| ·本章小结 | 第101-103页 |
| 第6章 总结与展望 | 第103-107页 |
| ·全文研究工作总结 | 第103-105页 |
| ·后续的研究工作展望 | 第105-107页 |
| 参考文献 | 第107-118页 |
| 致谢 | 第118-119页 |
| 攻读博士学位期间完成和发表的论文 | 第119页 |
