INNE EBOOKI AUTORA
-20%
Autor:
Wydawca:
Format:
W pracy zaprezentowano nowe modele biologicznej komórki nerwowej i sieci neuronowe, możliwe wiernie odwzorowujące procesy zachodzące w układzie nerwowym. Przedstawiono ich opis oraz wyniki licznych symulacji potwierdzających ich rzetelność. Pokazano możliwości wykorzystania tych modeli w wyniku procesu nauki do rozwiązywania wybranych zagadnień, zwłaszcza z dziedziny automatyki i robotyki. Jednym z zastosowań było przeprowadzenie aproksymacji funkcji liniowej przez pojedynczy neuron (co jest kłopotliwe, jeśli weźmie się pod uwagę specyfikę sztucznych sieci neuronowych, wynikającą z konieczności wykorzystania struktury zbudowanej z dwóch warstw ukrytych neuronów). Z dziedziny automatyki i robotyki wybrano zagadnienie wyznaczania kątów Eulera z wykorzystaniem systemu AHRS na podstawie odczytów z trzech czujników: akcelerometru, magnetometru i żyroskopu. Model biologicznego neuronu zestawiony z rekurencyjną siecią neuronową Elmana miał służyć do wygładzenia wartości otrzymanych przez sieć sztuczną.
Rok wydania | 2015 |
---|---|
Liczba stron | 146 |
Kategoria | Inne |
Wydawca | Wydawnictwo Politechniki Poznańskiej |
ISBN-13 | 978-83-7775-386-6 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
INNE EBOOKI AUTORA
POLECAMY
Ciekawe propozycje
Metody stochastyczne w badaniach...
do koszyka
Model biblioteki aktywnie promującej...
do koszyka
Model biznesu sieci przedsiębiorstw
do koszyka
Spis treści
Streszczenie | 7 |
Spis symboli i skrótów stosowanych w pracy | 9 |
1. Wstep | 15 |
1.1. Przedmiot pracy | 15 |
1.2. Motywacja i cel pracy | 17 |
1.3. Teza i układ pracy | 19 |
2. Wykorzystanie biologicznych sieci neuronowych w rozwiazywaniu problemów automatyki i robotyki | 23 |
3. Deterministyczne i stochastyczne modele komórki neuronowej | 31 |
3.1. Równowazny obwód elektryczny | 31 |
3.2. Potencjał czynnosciowy | 32 |
3.3. Podstawowy model Hodgkina-Huxleya | 33 |
3.4. Zakłócenia w modelu Hodgkina-Huxleya | 37 |
3.5. Kinetyczny model Hodgkina-Huxleya | 39 |
3.5.1. Kinetyczny schemat Markowa | 39 |
3.5.2. Deterministyczny model kinetyczny | 40 |
3.5.3. Stochastyczny model kinetyczny | 42 |
3.5.4. Porównanie modeli kinetycznych deterministycznego i stochastycznego | 43 |
3.6. Kinetyczny model komórki nerwowej z rozszerzonymi schematami Markowa | 48 |
3.7. Stochastyczna wersja modelu o rozszerzonych schematach kinetycznych | 49 |
3.8. Przykładowe wyniki implementacji modelu o rozszerzonych schematach kinetycznych | 49 |
3.9. Podsumowanie | 54 |
4. Metody uczenia komórki neuronowej | 55 |
4.1. Metoda gradientu prostego | 55 |
4.2. Nauka w modelu Hodgkina-Huxleya | 56 |
4.3. Nauka w stochastycznym modelu kinetycznym neuronu | 62 |
4.4. Wyniki eksperymentalne | 63 |
5. Model biologicznej sieci neuronowej | 71 |
5.1. Struktura rozpatrywanej sieci neuronowej | 72 |
5.2. Dyskretyzacja i sposób rozwiazania układu | 74 |
5.3. Wartosci parametrów oraz wartosci inicjujace | 77 |
5.4. Siec neuronowa zbudowana z jednej gałezi – wyniki eksperymentalne | 78 |
5.4.1. Macierz systemowa | 78 |
5.4.2. Wyniki symulacji | 79 |
5.5. Siec neuronowa zbudowana z pieciu gałezi – wyniki eksperymentalne | 79 |
5.5.1. Macierz systemowa | 81 |
5.5.2. Wyniki symulacji | 82 |
5.6. Siec neuronowa zbudowana z siedmiu gałezi – wyniki eksperymentalne | 83 |
5.6.1. Macierz systemowa | 84 |
5.6.2. Wyniki symulacji | 86 |
5.7. Deterministyczny model kinetyczny sieci neuronowej | 86 |
5.8. Wyprowadzenie stochastycznej wersji modelu sieci neuronowej | 88 |
5.9. Dyskretyzacja i sposób rozwiazania układu | 88 |
5.9.1. Rozwiazanie równan wynikajacych ze schematów kinetycznych Markowa | 91 |
5.9.2. Funkcje oraz ich pochodne wzgledem potencjału | 96 |
5.10. Siec neuronowa zbudowana z jednej gałezi – wyniki eksperymentalne | 97 |
5.11. Siec neuronowa zbudowana z pieciu gałezi – wyniki eksperymentalne | 98 |
5.12. Siec neuronowa zbudowana z siedmiu gałezi – wyniki eksperymentalne | 99 |
5.13. Porównanie modelu klasycznego sieci neuronowej z modelami kinetycznymi | 101 |
6. Metody uczenia biologicznych stochastycznych sieci neuronowych | 103 |
6.1. Metoda mnozników Lagrange’a | 103 |
6.2. Sformułowanie problemu | 104 |
6.3. Rozwiazanie postawionego problemu | 107 |
6.4. Przykładowe wyniki | 109 |
7. Przykłady zastosowania modeli biologicznych komórek neuronowych w automatyce i robotyce | 115 |
7.1. Przygotowanie opisu biologicznych sieci neuronowych do implementacji z wykorzystaniem kart graficznych | 115 |
7.2. Aproksymacja funkcji prostokatnej | 117 |
7.3. Wykorzystanie komórek nerwowych w algorytmie wyznaczania katów Eulera przez system AHRS | 118 |
8. Podsumowanie | 135 |
Literatura | 139 |