一、峰峰间期逐渐增大的动力学机制(英文)（论文文献综述）
王红梅[1]（2021）在《一类e-HR神经元模型的分岔分析与同步控制研究》文中研究指明神经系统由数十亿个神经元构成,每个单元都是单独的,接收来自其他单元的信号,并产生自己的信号发到相应的邻居单元。当神经元受到外界刺激时,会对其作出适当反应。当神经元在进行信息传输的过程中,通过改变神经元的系统参数,或者在适当的外界条件作用下,神经元的电活动可以显现多种模式。神经元一般很少单独去完成信息的传输,神经元集体放电是进行信息传输的关键,而同步又是集体放电的表现形式。此外两个神经元或多个神经元之间的同步或去同步现象,是神经元疾病产生的一个诱因,可以改善神经元的峰峰间期,而峰峰间期又和大脑对信息的编码息息相关,因此研究神经元的放电规律与同步分析有着重要的现实意义。本文以一类e-HR神经元模型为基础,通过理论知识与数值模拟相结合的方法,探究了神经元的分岔规律和同步控制,这将对神经医学提供一定的理论基础。本论文的研究内容主要有以下三个部分:第一,基于e-HR神经元模型。首先使用Matcont软件简要地分析了该模型的平衡点与Hopf分岔类型。然后基于单参数、双参数分岔图,时间响应图以及相轨迹图,探讨该系统在单、双参平面上的分岔行为。第二,考虑到外界电磁感应的影响,以e-HR神经元模型为基础,建立了磁通e-HR神经元模型。首先,在不同外界刺激下,通过理论知识与数值模拟相互结合的方法,探索了磁通e-HR神经元模型的放电模式,并使用Washout控制器对该模型的隐藏放电行为进行了控制,使其从不稳定态转变为稳定态。然后利用Matlab软件对单、双参分岔图进行仿真,分析了磁通e-HR神经元模型在单双参平面上的分岔结构。第三,分别以e-HR模型与磁通e-HR模型为基础,利用非线性自适应同步方法,研究了忆阻器耦合的e-HR模型和电耦合磁通e-HR模型的同步。考虑到神经元模型中参数的不可预测性,引入了参数辨识,实现了同步控制。
乔帅[2]（2021）在《电磁感应下神经元模型的分岔模式及其控制》文中研究表明本文研究了电场和磁场作用下具有双稳态特性的两类神经元模型的放电模式,综合运用Matcont软件、XPPAUTO软件以及非线性动力学相关理论深入分析了其隐藏放电的演变规律及其控制策略。基于单参数和双参数分岔分析,着重探讨了在复杂电磁辐射调制下系统的参数,包括外界刺激电流、电磁感应强度和磁通反馈增益等因素对神经元模型的全局分岔结构、共存吸引子及其吸引域的影响。主要研究内容如下:1.神经系统中大量的离子（如,钾、钠和钙离子）运动将会激起时变的电场,而诱导的电场能够进一步调节神经元的放电活动。综合运用数值模拟和Hopf分岔控制理论,研究了电场作用下具有双稳态特征的四维Hindmarsh-Rose（HR）神经元模型放电活动及其全局分岔模式。通过应用Matcont软件包及其编程分析了该模型的全局吸引域,研究发现该模型存在由亚临界Hopf分岔引起的共存模式振荡以及隐藏放电行为。此外,基于Washout控制器有效控制了该模型的不稳定分支,由此消除了隐藏放电模式。有趣的是,通过双参数分岔分析,本文还发现该模型普遍存在“梳”状的混沌结构及其伴有混沌（或者无混沌）加周期分岔模式。值得关注的是,考虑到电场不可避免受到外界周期扰动,这将导致该模型的放电模式更加复杂,并且具有丰富的共存放电模式。2.基于磁控忆阻器实现了磁通变量对神经元膜电位的耦合,建立了一个具有混合振荡模式的e-HR神经元模型,并深入探讨了e-HR模型中平衡点的分布及其分岔性质,发现该模型中存在亚临界Hopf分岔、共存振荡模式和周期的隐藏吸引子。值得关注的是,通过施加Washout控制器能够将该模型的亚临界Hopf分岔点转变为超临界Hopf分岔点,与此同时,该模型的隐振荡行为被有效地消除。为了分析不同参数对该模型分岔行为的影响,基于单参数分岔图、双参数分岔图和最大Lyapunov指数图等数值仿真工具,大量数值结果表明该模型存在复杂的放电行为及其加周期分岔模式。此外,研究还发现该模型具有周期性簇放电与混合模振荡（mixed–mode oscillations,简称MMOs）共存的行为,这将导致相应的双参数平面上出现不连续的“周期位错层”分岔结构。有趣的是,当系统参数受到随机扰动时,该模型的周期簇放电能够转变为MMOs模式。3.综合Wilson模型的快动力学变量、HR模型的慢动力学变量和状态依赖的电磁感应效应,建立了一个具有多稳态的四维混合神经元模型,并通过全局分岔分析研究了该模型的放电活动及其分岔规律。详细地,当电磁感应强度不依赖膜电位阈值变化时,基于Matcont软件及其编程,探讨了该模型在双参数平面上的全局稳定性及其Hopf分岔和鞍结分岔行为。此外,通过双参数分岔图及其相应的最大Lyapunov指数图,大量的数值研究表明该模型具有含（无）混沌加周期分岔模式和“梳”状的混沌结构。当电磁感应强度依赖于膜电位阈值变化时,原光滑的混合神经元模型转变为具有膜电位阈值控制下的非光滑的切换（Filippov）系统,与此同时,讨论了该切换系统的平衡点的存在性及其稳定性。值得关注的是,膜电位的阈值对该模型的“梳”状的混沌结构具有破坏性作用,由此发现了该切换系统具有多吸引子共存现象,并基于相轨迹、庞加莱截面和吸引域等仿真方法详细地分析了共存吸引子的时空分布。本文的研究结果将为神经计算科学和人工智能网络设计提供了有益的探讨。
高月月[3]（2021）在《基于多参数影响的耦合神经元系统放电模式多样性及分岔特性研究》文中提出从非线性动力学的角度出发研究神经元系统,不仅可以帮助我们解释神经科学中的一些复杂行为,而且可以为实际生理实验和疾病治疗提供新的理论依据。神经元是神经系统中最小的单位,单个神经元无法完成信息编码和传递。神经元必须通过突触耦合,形成复杂的神经网络来完成信息的处理和传输。基于单个神经元的研究虽然能够很好地描述神经元的放电行为,但耦合系统的动力学特性能够更好地反映神经网络的集体行为。此外,由于时滞和电磁感应效应的普遍存在,考虑各种因素对系统的影响也至关重要。本文主要内容如下:第一部分,首先对单个Chay神经元系统平衡点的稳定性进行了分析。其次,考虑了系统在耦合强度影响下的平衡点类型,并进行了数值模拟。然后,通过单参数和双参数的分岔分析,得到了不同参数匹配下丰富的动力学行为。同时考虑了时滞,讨论了对称时滞和单侧时滞情况下系统的的放电规律。最后,通过相关系数、相似函数等统计方法对系统的同步进行了分析,更加清晰地显示了系统的同步过程。第二部分,讨论了化学耦合Chay神经元系统的动力学特性。利用C语言编程模拟,得到了电导、突触可逆电位和突触阈值等参数作用下的ISI分岔图。研究发现,两个相同的神经元经过化学突触耦合,在相同初始值时,系统的放电模式受耦合强度强烈影响。耦合强度的增加导致参数平面内簇放电周期和簇放电区域增加。特别是以突触可逆电位及突触阈值为分岔参数时,峰放电和簇放电区域明显增加,混沌区域被压缩。最后,对于化学突触耦合,还利用相似函数分析了系统的同步性,发现系统出现了不同步、簇同步、不同步最终达到静息同步的过渡过程。第三部分,在引入磁通量的Chay神经元模型基础上。首先,通过Matcont仿真研究了系统的平衡点和稳定性,发现随着参数的变化,系统会发生超临界Hopf分岔、亚临界Hopf分岔等分岔行为。其次,通过绘制系统的ISI分岔图,探讨了神经元系统的分岔和放电模式。最后,利用相关系数和同步参数的统计特性,进一步讨论了多参数对耦合系统同步过程的影响。第四部分,以Chay神经元为基础,采用电化学混合突触构建了环状和二维网格神经元网络。首先,研究了环状网络中左右连接神经元数目对系统放电行为的影响。研究发现,随着左右连接神经元数目的增加,系统的簇放电周期增加,特别是系统的双参数平面出现了紧张性放电区域。之后通过编程模拟获得系统的时空波形,并与统计量同步因子相结合,更好地探究了神经元网络随耦合强度变化的整个同步过程。其次通过对不同规模的网格网络的分岔分析,发现随着网格规模的增大,峰放电区域变为混沌放电,簇放电区域各周期所占据的平面区域也逐渐减小。最后,讨论了中心区域刺激电流诱导下的靶波,进一步丰富了对Chay神经元系统的时空动力学行为研究。
程万朋[4]（2021）在《一类神经元系统的同步控制及其在保密通信中的应用》文中进行了进一步梳理神经系统在信息加工处理及信息的运作过程与神经元膜电位的放电活动紧密联系,这导致神经元放电必然会有相关离子的跨膜运输。由基尔霍夫定律可以得出,神经元中与之伴随的离子的跨膜运动将会产生各种不同的时变电磁场,在此情况下该电磁场能够进一步调节神经信息的传输以及神经元的放电模式。因此,深入研究电磁感应下神经元模型的动力学特性及其应用具有重要的实际参考价值。首先主要运用鞍结分岔和Hopf分岔相关理论分析,研究了电磁辐射下四维HR神经元模型的放电活动和分岔特征,着重分析了该模型关于内部参数变化下的鞍结分岔和超临界Hopf分岔行为。详细地,通过探究外界刺激电流I对该模型平衡点的存在性及其稳定性的影响,理论研究表明该模型存在多平衡点存在区域,这体现了该模型有着丰富的非线性特征。基于鞍结分岔分析,探讨了该模型的多值平衡区域与临界鞍结点的分布。接着研究了该模型的Hopf分岔行为及其分岔类型,并且进行了数值模拟该模型的放电行为,进而验证了分岔理论结果。此外,基于大量的时间响应图、单参数分岔图和双参数分岔图等数值仿真工具,详细地探讨了该系统的放电特性和分岔规律。然后,以磁通神经元系统为基础,探究了磁通HR神经元模型在双参数平面中的分岔结构,发现该系统存在伴有混沌倍周期分岔和无混沌的加周期分岔模式。通过运用自适应控制方法,研究了电突触耦合磁通HR神经元模型的同步控制,通过对从系统施加控制项,实现了主从系统之间不同周期簇放电状态的同步控制。从而为了解磁通神经元的放电活动及其膜电压的迁移提供了有用的探讨。最后,运用Lyapunov全局稳定性理论,建立了忆阻器耦合的HR神经元系统。在不同的初始值条件下,通过合理地设计自适应控制器和参数辨识律,理论分析和大量数值模拟都表明该耦合系统能够高效地逐渐趋于同步状态,这体现了该控制器具有较好的稳定性与自适应性。此外,本文将该耦合系统应用到信号保密传输中,研究表明获得了较好的数值效果,从而,这将为神经系统对图像加密和保密信号的传递提供了重要的借鉴意义。
洪朝飞[5]（2020）在《基于脉冲神经网络误差反传算法的脑功能模拟与机制分析》文中研究说明生物大脑的认知功能和信息处理机制的研究具有重要的科学意义和实用价值。近年来,受神经系统启发的深度学习方法在图像识别、语音识别、策略游戏等人工智能应用上取得了巨大的成功。但相比之下,人们对大脑实现这些认知功能的机制理解仍非常有限。而深度学习模型在工作机制上与生物神经系统也存在巨大的差异。与之相反,脉冲神经网络是更加符合生物电生理机制的神经网络模型,一直是神经科学领域建模的重要工具,在发展强人工智能系统方面也更具潜力。但是,由于脉冲神经网络的复杂性,一直缺少令人满意的方法实现复杂认知功能的模拟。这导致很难在介观层面建模和研究大脑功能机制,也导致宏观层面的理论很难联系到微观的生物细节。因此,本文基于脉冲神经网络模型,提出了通过放电时刻学习算法模拟大脑认知功能,并通过改变训练网络的生理约束和网络结构分析脑功能机制的研究思路。首先,网络结构和集群活动是脑功能的基本载体,而神经元的放电动力学活动是进行信息处理的基本单元。本文提出了可以进行训练并能精确模拟神经动力学特性的单神经元模型,并对神经网络动态活动建模进行了研究。基于积分放电类（LIF）神经元模型提出了扩展的广义积分放电（GLIF）模型,用以准确模拟生物神经元多时标的、非线性的脉冲放电过程。通过构建基本的神经网络结构,分析了关键的结构特性对神经集群的振荡、相关性、规则性等活动特性的影响规律,并验证了通过时间编码传递信息的可行性。神经元及网络动力学的研究为进一步构建具有实际功能的神经网络提供了理论基础。其次,提出了改进的放电时刻的误差反传算法,实现了在复杂网络结构和动力学状态下脉冲神经网络的稳定学习。推导了提出的三类广义积分放电模型的神经网络梯度反传算法,保证算法在任意放电形式和网络结构下的有效性。分析了Spike Prop类学习算法学习效率低和训练不稳定问题的主要原因。并基于分析结果和生理理论依据,提出了梯度动态阈值方法以及放电率和突触权值等的调制方法。基于学习算法,提出了通过认知任务的训练进行神经网络功能的建模和机制分析的研究框架。最后,基于提出的研究框架,实现了同步、连续放电等不同网络动态和视觉、运动等功能的建模和机制分析,验证了算法的灵活性和有效性。本文将提出的网络模型和学习算法应用于不同的认知任务的学习中,并基于训练得到的网络分析了神经网络实现这些功能的机制。通过构建不同的神经网络结构、采用不同的网络活动状态和损失函数,本文分别训练实现了图像识别任务、运动规划任务以及反馈运动控制任务。在图像识别任务中,分别采用全连接前馈网络以及具有局部结构的前馈网络学习了MNIST手写集和Caltech数据集的图像识别,并进一步分析了多种生理机制和网络结构特性对学习过程及网络信息处理机制的影响。在运动控制任务中,本文基于多时标的GLIF神经元模型和放电时刻编码的学习算法,实现了通过神经网络连续放电活动进行运动控制的功能的学习。运动规划任务实现了将同步放电编码的运动指令转化为连续脉冲序列表征的运动轨迹,证明同步放电编码的信息可以快速转换成连续脉冲序列表征的信息。进一步,采用了有监督学习和增强学习的方法实现了基于时间编码的反馈运动控制。分析了神经网络实现反馈运动控制的网络结构和动力学机制,同时讨论了实际应用中非常重要的力输出优化以及对被控对象参数变化的鲁棒性等问题。上述应用研究展示了脉冲神经网络学习算法与多种网络结构、动态及生理特性的兼容性。后续研究可以加入更多的生理机制,从而探索更复杂和更真实的大脑认知功能和机制的模拟。同时,这些应用研究也向机器学习体系加入了更多的仿生机制和生物信息处理原则,拓宽了人工智能领域的理论框架。本文的研究思路既为神经科学理论研究提供了有效的功能建模工具,又为发展强人工智能系统提供了新的模型框架。
杨永霞,李玉叶,古华光[6]（2020）在《Pre-B?tzinger复合体的从簇到峰放电的同步转迁及分岔机制》文中认为Pre-B?tzinger复合体是兴奋性耦合的神经元网络,通过产生复杂的放电节律和节律模式的同步转迁参与调控呼吸节律.本文选用复杂簇和峰放电节律的单神经元数学模型构建复合体模型,仿真了与生物学实验相关的多类同步节律模式及其复杂转迁历程,并利用快慢变量分离揭示了相应的分岔机制.当初值相同时,随着兴奋性耦合强度的增加,复合体模型依次表现出完全同步的"fold/homoclinic","sub Hopf/sub Hopf"簇放电和周期1峰放电.当初值不同时,随耦合强度增加,表现为由"fold/homoclinic",到"fold/fold limit cycle"、到"sub Hopf/sub Hopf"与"fold/fold limit cycle"的混合簇放电、再到"sub Hopf/sub Hopf"簇放电的相位同步转迁,最后到反相同步周期1峰放电.完全（同相）同步和反相同步的周期1节律表现出了不同分岔机制.反相峰同步行为给出了与强兴奋性耦合容易诱发同相同步这一传统观念不同的新示例.研究结果给出了preB?tzinger复合体的从簇到峰放电节律的同步转迁规律及复杂分岔机制,反常同步行为丰富了非线性动力学的内涵.
李继野[7]（2019）在《C4A3$-C2S二元体系的烧成与水化机理研究》文中研究表明现阶段硫铝酸盐水泥已经部分成为了普通硅酸盐水泥的环保替代材料。本文基于硫铝酸盐水泥主要熟料矿物C4A3$和C2S,设计建立了不同C2S含量的C4A3$-C2S二元体系。并采用XRD、RQPA、ICC、TG、FTIR、SEM和MIP等测试方法和表征手段,对C4A3$-C2S二元体系的熟料形成、烧成机理、水化产物、水化进程和水化机理进行了系统的研究,旨在解决C4A3$-C2S二元体系相关材料在生产及应用过程中存在的理论问题。在C4A3$-C2S二元体系的烧成制度优化方面,采用RQPA和ICC方法建立择选因素并进行优化评价,并以FTIR、TG-DTG和SEM-EDS等手段进行表征和分析。结果表明:C4A3$-C2S二元体系中,熟料矿物C4A3$相主要以正交晶系（C4A3$-orthorhombic）晶型存在,主要中间矿物相为C3A、C12A7和C3AS3。当C2S设计含量不大于45wt.%时,1350℃,保温1h是相对最优的烧成制度;当C2S设计含量大于等于65wt.%时,1300℃,保温2h是相对最优的烧成制度。择优后体系中间相含量不大于5.8wt.%。在C4A3$-C2S二元体系的烧成机理探究方面,采用三维扩散和晶体成核生长模型研究了熟料矿物C4A3$和C2S在体系中的动力学响应关系,并由ICC和RQPA方法探究了熟料体系的水化放热和各相晶粒尺寸及演变规律。结果表明:C4A3$-C2S熟料体系水化初期的主要放热源自C4A3$矿物的水化。提高烧成温度,能促进水化并增加水化累积放热量。但当烧成温度较高时,会延长水化诱导期,降低水化速率。适当的保温时间能平衡C4A3$-C2S二元体系中C4A3$矿物的形成与分解。在C4A3$-C2S熟料体系中,C4A3$的形成动力学更偏重于由三维扩散机制控制。而C2S在C4A3$-C2S熟料体系中形成动力学既不单纯偏重于三维扩散,又不倾向于晶体成核生长;β-C2S的晶粒尺寸伴随着烧成温度的增加和保温时间的延长而增大、正交晶型的C4A3$的晶粒尺寸伴随着烧成温度的增加而增大,伴随着保温时长的增加则先增大后减小。以CH相存在轨迹为主线,采用RQPA方法主导,并与多种表征方法结合分析的手段,对C4A3$-C2S二元体系的水化进程进行了研究。结果表明:体系主要水化产物相为:CH、AFt、AFm、C2ASH8、AH3和C-S-H。在 C4A3$-C2S 水化体系中,CH 相的含量变化如下:养护3d龄期后,CH相只稳定存在于C2S含量为95wt.%的水化试样中,CH含量为3.6wt.%;养护28d龄期后,C4A3$-C2S二元体系中,C2S含量为85wt.%的水化试样中出现稳定存在的CH相,含量为1.1 wt.%;C2S含量为95wt.%的水化试样中亦出现稳定存在的CH相,含量为4.1 wt.%。水化过程中,存在AH3相被消耗和CH相生成并稳定存在这两个临界点。CH相的存在轨迹可以由体系中C2S设计含量的变化和水化反应龄期来描述。当C2S含量小于55wt.%时,体系中新生成的AH3相优先与C2S反应生成C2ASH8;当C2S含量介于55wt.%～85wt.%之间时,由C2S水化反应生成的CH会被体系中的水化产物C2ASH8消耗,未能满足CH继续结晶并稳定存在的条件;当C2S含量大于85wt.%时,CH相可以在C4A3$-C2S二元水化体系中稳定存在。C4A3$-C2S二元水化体系溶液的pH值随水化龄期的发展和C2S含量的增加呈现逐渐增大至趋于稳定的变化趋势。提出水化体系晶胶比的概念,同时对掺加石膏（C$H2）的C4A3$-C2S水化体系进行了研究。结果表明:在掺加C$H2的C4A3$-C2S水化体系中,存在影响强度的主导因素包括:水化体系晶胶比、硬化浆体结构缺陷和水化体系熟料相及总体的水化程度。当水化程度相近且体系水化试样不受结构缺陷影响时,水化体系晶胶比对试样宏观抗压强度的影响最为显着。此时,当晶胶比的数值范围为0.8～1.4时,水化体系中90d龄期试样的抗压强度值均大于50MPa。于C4A3$-C2S水化体系而言,晶胶比的变化是一个重要的主导因素。掺加的石膏会稀释胶凝材料的体积,且残留的石膏颗粒会造成硬化浆体的结构缺陷,从而导致强度的降低;然而,适量掺加石膏可以改变水化体系的晶胶比。然后,晶胶比的变化部分导致微观尺度孔隙率的变化,进而导致宏观尺度抗压强度的变化。在C4A3$-C2S水化体系中,各水化产物对强度的贡献率遵循如下排序:AH3gel ≥ C-S-H gel>AFt>C2ASH8 ≥ AFm。采用ICC数据与Kondo方程相结合的方法,对C4A3$-C2S二元体系的水化动力学响应和水化机理进行了探究。结果表明:C4A3$-C2S二元体系的水化加速期由两种水化机理因素控制,初始加速期受成核反应控制。当C2S含量的提升至75wt.%时,对应的水化加速期的水化进程转变为受扩散过程控制。当C2S含量较低时,进入减速期的水化进程仍受成核反应控制。但进入稳定期的水化反应进程转变为受扩散过程控制。而当C2S含量较高时,无论水化进程发展至减速期还是稳定期,水化反应进程均由扩散过程控制。C4A3$-C2S熟料体系在72h的水化放热总量均未超过500J/g,且伴随着C2S含量的增加,水化放热速率降低,水化放热量降低,水化诱导期延长。Kondo方程对C4A3$-C2S二元体系水化进程的加速期、减速期和稳定期的水化动力学响应均较好。仅在水化加速期初期,快速生成的水化产物相覆盖于熟料颗粒表面,短暂阻滞了熟料颗粒的继续水化加速。这会降低Kondo水化动力学方程的响应效果。
商慧杰[8]（2019）在《基于离子通道的神经元模型研究及其在脉冲神经网络中的应用》文中认为细胞功能上表现出来的千差万别,归根结底可能是由于它们的形态以及细胞膜上离子通道的性质和分布不同而导致的。以往成果中的神经计算科学分析方法在理论基础和实验条件方面不是很成熟,无法满足对生物神经系统复杂现象的研究。因此,本文借助于神经元细胞之间处理信息的模式,通过模仿神经元信息处理机制,以及神经元网络行为特征,研究其非线性动力学特性。在网络的应用模块中,提出新的学习规则,改进神经元间连接方式及不同模块层次之间的连接方式,进行数据处理和传递,构建相关的神经网络,研究该网络的信号传递及数据处理功能,这对揭示大脑神经元的信号传递及信息处理有重要意义。神经元及人工神经网络相关研究发展至今,比以往历史上任何一个时期都更迫切的需要对神经元信息处理本质进行深刻再认识并将其合理应用。本课题的提出也正是基于对神经元信息处理本质的深度剖析及其相关应用,主要贡献如下:首先研究了常见的离子通道神经元模型,通过对实验数据以及对模型的仿真指出其具备的内在非线性动力学。在现有离子通道模型的基础上,研究模型添加噪声情况下不同放电模式的非线性动力学特征,比如随机性、确定性等,并提出了新的放电特性,丰富了放电节律,拓展了神经放电节律在信息编码中的应用机制。另外,在基于STDP学习规则的基础上,考虑了神经元发放脉冲的前后关系,分析不同的神经元信息处理能力,联系Winner-Take-All规则以及限制权值的方法提出了一种新的基于STDP学习规则的突触连接权值调整方法来进行学习,并研究了在新学习规则前提下,学习前后脉冲发放情况的变化以及鲁棒性。由于同一种算法在不同模型上效率不同,因此这一部分也结合了不同的神经元模型,研究神经元模型对脉冲发放、信息传递的影响。最后,在离子通道模型添加时间特性以及前一部分的学习规则基础上,提出一种基于传统脉冲神经网络的网络结构改进方式,模块主要包括整个网络的输入模块、学习模块、输出模块,还有内部编码方式、连接结构等,并应用到不同的数据集中验证其有效性。
李珊珊[9]（2019）在《神经元网络的特性分析与闭环控制》文中进行了进一步梳理神经科学是探究神经元活动与行为之间因果关系的学科,通过刺激神经元及网络得到期望输出特性是研究的核心之一。由于神经系统具有高度的非线性特性,相同的刺激可能会产生不同的输出,而不同的刺激可能会产生相同的输出,因此,获得神经元及网络的期望输出特性十分困难。先进的神经记录手段可以获得大量的神经数据,但解剖结构未知,无法得到神经元及网络的精确“刺激-响应”关系。此外,神经元及网络输出特性的异常变化会使神经系统功能失调,导致癫痫、帕金森等各种神经系统疾病的发生。电磁刺激是临床上治疗神经系统疾病的主要方法之一,其开环的刺激方式无法根据患者的临床状态及个体差异性调整刺激参数,会对神经电活动产生副作用并影响治疗效果。针对上述问题,本文以单神经元、神经元网络及神经集群的多层面计算模型作为连接神经数据与解剖结构的桥梁,从控制理论的角度出发,提取刻画输出行为的生物标记,构建闭环系统,尝试使用控制方法实时调整刺激参数,获得期望的输出特性,实现对神经元网络特性的精准化、个性化的控制。本文的研究内容主要包括:（1）单神经元输出特性的控制:单神经元是神经系统的基本组成单元,其输出特性影响网络特性,进而影响神经系统的功能。本文选取放电峰峰间期（interspike intervals,ISI）刻画单神经元的放电频率、放电模式等不同特性,基于电压和动态钳位的思想提出ISI钳位的概念;构建闭环系统得到单神经元的期望ISI特性,实现神经元活动的重建;并采用无迹卡尔曼滤波器估计特定ISI钳位时钾、钠及氯等离子通道的相关特性,分析神经元离子通道变化对放电特性的影响,模拟癫痫、帕金森在单神经元层面的放电活动。（2）神经元网络输出特性的控制:最小中枢模式发生器（central pattern generator,CPG）网络是实现睡眠、呼吸、运动及消化等不同节律的最小网络单元,控制其输出特性有助于理解网络节律的产生机制及功能。本文采用具有丰富输出特性及形态特征的经典神经元两室模型构成最小CPG网络,提取放电规则度刻画网络的输出特性,分析神经元参数及连接特性的变化对网络输出特性的影响,构建闭环系统实现不规则放电节律的控制,得到期望的输出特性以及网络节律与参数的关系,模拟癫痫、帕金森相关节律。（3）神经元网络异常特性-癫痫样放电的控制:根据临床状态变化及电生理信号特征调节电磁刺激参数能够实现个性化治疗。癫痫状态下,神经集群产生异常节律放电,本文采用节律振荡特征刻画癫痫状态,构建闭环系统,采用自适应模糊控制算法实现癫痫样放电的实时、个性化的控制,为解决生理实验中无法获得表征个体差异性及疾病状态的精确模型的问题提供了一个可行的解决方案。仿真结果证明了闭环控制的有效性。（4）神经元网络异常特性-帕金森节律的控制:电磁刺激目标靶点的选取严重影响其治疗效果,本文根据帕金森的致病机理和临床特征,构建PD病灶区的计算模型,设计闭环系统,选取外侧苍白球作为刺激靶点,以其局部场电位作为反馈变量调节刺激信号实现帕金森节律的控制。该研究表明了外侧苍白球可以作为电磁刺激的新靶点。本文的研究为探索基本的电生理问题,开发新的疾病症状及康复疗法提供了新思路。
刘小强[10]（2019）在《相位噪声和电磁感应作用下神经元及神经元网络的共振动力学》文中研究指明世界的本质特征是复杂的和非线性的,并且布满了噪声的扰动.神经元是神经系统的基本处理单元,人脑皮层中大约存在1000亿个神经元,神经系统对外界刺激信号进行加工处理并做出响应,在这一过程中不可避免地受到电磁感应和噪声的影响.同时由于神经信号的有限传播速度及突触间隙的存在,信息在神经元之间进行传输时通常存在时间滞后效应.自突触作为神经元的一种重要组织,在大脑活动和信息编码过程中发挥着不可替代的作用.因此,本文基于非线性动力学理论和计算机数值模拟方法,探索了电磁感应背景下,相位噪声、自突触、耦合时滞等因素对神经元及神经元网络共振动力学的重要作用.论文的具体内容如下:1、通过构建具有磁通量与自突触的FitHugh-Nagumo（FHN）神经元模型,探讨了相位噪声和自突触对神经元系统共振动力学的影响.首先,通过定义相干共振指标,研究发现适当强度的相位噪声可以诱导神经元系统出现双重相干共振;进一步地,我们证实了噪声诱导的双重相干共振现象对感应电流的反馈增益具有一定的鲁棒性,并且分别调节相位噪声的周期和反馈增益强度,也出现类似于相干共振的行为;最后,当引入自突触时,数据分析结果表明自突触时滞可以诱导系统发生多重相干共振,且在自突触强度和自突触时滞较大范围内多重相干共振都可以出现.2、通过将电磁感应影响引入到NW小世界神经元网络模型中,探讨了相位噪声和耦合时滞作用下神经元网络系统的随机共振动力学.数值模拟结果表明,当耦合时滞为零时,适当幅值的相位噪声能够使得神经元网络系统涌现随机共振,并且在电磁感应的作用下,随着反馈增益的增大,噪声诱导的随机共振现象被抑制了.当耦合时滞不为零时,研究发现调节耦合时滞可以诱导神经元网络系统出现多重随机共振,并且较大的反馈增益强度能够减弱这种多重随机共振现象.进一步数值模拟结果表明,相位噪声诱导的随机共振对网络的加边概率具有鲁棒性,耦合时滞诱导的多重随机共振对弱信号周期也具有鲁棒性.
二、峰峰间期逐渐增大的动力学机制(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、峰峰间期逐渐增大的动力学机制(英文)（论文提纲范文）
（1）一类e-HR神经元模型的分岔分析与同步控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 本文的主要研究内容与安排 |
| 2 神经元模型预备知识 |
| 2.1 常见的几种神经元模型 |
| 2.1.1 Hodgkin-Huxley神经元模型 |
| 2.1.2 Fitz Hugh-Nagumo神经元模型 |
| 2.1.3 Morris-Lecar神经元模型 |
| 2.1.4 Chay神经元模型 |
| 2.1.5 Hindmarsh-Rose神经元模型 |
| 2.2 神经元模型相关概念 |
| 2.2.1 神经元 |
| 2.2.2 动作电位 |
| 2.2.3 峰峰间期分岔图 |
| 2.2.4 时间响应图和相轨迹图 |
| 2.3 本章小结 |
| 3 e-HR神经元模型的分岔分析 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.3 平衡点与Hopf分岔分析 |
| 3.4 单参数分岔分析 |
| 3.5 双参数分岔分析 |
| 3.6 本章小结 |
| 4 磁通e-HR神经元模型的分岔分析 |
| 4.1 引言 |
| 4.2 模型描述 |
| 4.3 系统平衡点与Hopf分岔分析 |
| 4.3.1 平衡点的分布 |
| 4.3.2 Hopf分岔类型的判定 |
| 4.4 隐藏动力学 |
| 4.4.1 隐藏动力学行为分析 |
| 4.4.2 隐藏动力学行为控制 |
| 4.5 单参数分岔分析 |
| 4.6 双参数分岔分析 |
| 4.7 本章小结 |
| 5 一类e-HR神经元模型的同步控制 |
| 5.1 引言 |
| 5.2 e-HR神经元模型的耦合同步研究 |
| 5.2.1 基于忆阻器耦合的自适应同步 |
| 5.2.2 数值模拟 |
| 5.3 磁通e-HR神经元模型的耦合同步研究 |
| 5.3.1 基于电突触耦合的自适应同步 |
| 5.3.2 数值模拟 |
| 5.4 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（2）电磁感应下神经元模型的分岔模式及其控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及其意义 |
| 1.3 研究内容及其创新性 |
| 2 预备知识 |
| 2.1 基本概念及其数值方法 |
| 2.1.1 峰峰间期分岔图及其算法 |
| 2.1.2 全局吸引域的常用算法 |
| 2.2 经典的电磁感应效应下神经元模型 |
| 3 电场作用下HR神经元模型的动力学分析 |
| 3.1 引言 |
| 3.2 模型的描述 |
| 3.3 共存振荡模式和隐藏吸引子 |
| 3.3.1 全局稳定性演变及其Hopf分岔分析 |
| 3.3.2 共存吸引子及其吸引域 |
| 3.4 基于Washout控制器的稳定性控制 |
| 3.5 双参数分岔分析 |
| 3.6 周期扰动诱导的共存模式振荡 |
| 3.7 结论 |
| 4 磁场作用下e-HR神经元放电特性的动力学分析 |
| 4.1 引言 |
| 4.2 模型的描述 |
| 4.3 隐藏动力学分析及其稳定性控制 |
| 4.3.1 基于Matcont软件的分岔分析 |
| 4.3.2 共存振荡和隐藏振荡模式 |
| 4.3.3 隐藏放电行为的控制 |
| 4.4 双参数分岔分析 |
| 4.4.1 伴有混沌加周期分岔模式 |
| 4.4.2 无混沌的加周期分岔模式 |
| 4.5 混合模式振荡及其共存振荡模式 |
| 4.6 结论 |
| 5 磁场作用下一类混合神经元模型的动力学分析 |
| 5.1 引言 |
| 5.2 模型描述 |
| 5.3 无膜电位阈值MT控制策略下的动力学分析 |
| 5.3.1 平衡点的存在性和共存放电模式 |
| 5.3.2 双参数分岔分析 |
| 5.4 切换系统的动力学分析 |
| 5.4.1 切换系统的平衡态 |
| 5.4.2 切换系统的多吸引子共存 |
| 5.5 结论 |
| 6 结论与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）基于多参数影响的耦合神经元系统放电模式多样性及分岔特性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和安排 |
| 2 基础知识和基本概念 |
| 2.1 神经元的结构及分类 |
| 2.2 神经元数学模型 |
| 2.2.1 Hodgkin-Huxley神经元模型 |
| 2.2.2 Morris-Lecar神经元模型 |
| 2.2.3 Hindmarsh-Rose神经元模型 |
| 2.2.4 Chay神经元模型 |
| 2.2.5 Izhikevich神经元模型 |
| 2.3 神经元非线性动力学相关概念 |
| 2.3.1 神经元动力系统 |
| 2.3.2 稳定性及分岔概念 |
| 3 电突触耦合Chay神经元模型的动力学特性 |
| 3.1 引言 |
| 3.2 模型介绍 |
| 3.3 电突触耦合神经元系统的动力学研究 |
| 3.3.1 Chay神经元系统的平衡点及稳定性分析 |
| 3.3.2 相同初值情况下,耦合神经元系统分岔分析 |
| 3.3.3 不同初值情况下,耦合神经元系统分岔及同步研究 |
| 3.4 时滞影响下耦合神经元系统的动力学研究 |
| 3.4.1 分岔分析 |
| 3.4.2 同步研究 |
| 3.5 本章小结 |
| 4 化学突触耦合Chay神经元模型的动力学特性 |
| 4.1 引言 |
| 4.2 模型介绍 |
| 4.3 相同初值情况下,耦合神经元系统分岔研究 |
| 4.3.1 单参数分岔分析 |
| 4.3.2 双参数分岔分析 |
| 4.4 不同初值情况下,耦合神经元系统同步研究 |
| 4.5 本章小结 |
| 5 电磁感应下Chay神经元系统的动力学特性 |
| 5.1 引言 |
| 5.2 模型介绍 |
| 5.3 电磁感应下Chay神经元模型的放电特性与分岔分析 |
| 5.3.1 平衡点及Hopf分岔分析 |
| 5.3.2 系统放电模式及单参数分岔分析 |
| 5.3.3 双参数分岔分析 |
| 5.4 电磁感应下Chay神经元模型的同步研究 |
| 5.4.1 耦合Chay神经元同步研究 |
| 5.4.2 全局耦合神经元网络同步研究 |
| 5.5 本章小结 |
| 6 Chay神经元网络的动力学特性 |
| 6.1 引言 |
| 6.2 环状电化学耦合Chay神经元网络的动力学研究 |
| 6.2.1 模型介绍 |
| 6.2.2 环状耦合网络动力学行为分析 |
| 6.3 二维网格电化学耦合Chay神经元网络的动力学研究 |
| 6.3.1 模型介绍 |
| 6.3.2 二维网格耦合网络动力学行为分析 |
| 6.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录A 电突触耦合Chay系统双参数分岔图 |
| 附录B 化学突触耦合Chay系统单参数分岔图 |
| 附录C 二维网格网络演化波图 |
| 攻读学位期间的研究成果 |
（4）一类神经元系统的同步控制及其在保密通信中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 该领域国内外研究现状 |
| 1.3 本文研究内容和安排 |
| 2 预备知识 |
| 2.1 神经系统的基本概念 |
| 2.1.1 神经元 |
| 2.1.2 膜电位以及动作电位 |
| 2.1.3 突触 |
| 2.2 保密通信的基本理论 |
| 2.2.1 保密通信的概述 |
| 2.2.2 保密通信的优势 |
| 2.2.3 保密通信的技术手段 |
| 2.3 本文研究的基础理论及方法 |
| 2.3.1 混沌与分岔 |
| 2.3.2 混沌同步 |
| 2.3.3 Lyapunov指数 |
| 2.4 经典的神经元模型 |
| 2.4.1 Hodgkin-Huxley神经元模型 |
| 2.4.2 Chay神经元模型 |
| 2.4.3 Morris-Leca神经元模型 |
| 2.4.4 Hindmash-Rose神经元模型 |
| 3 磁通HR神经元模型的动力学分析 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.3 平衡点分布与稳定性分析 |
| 3.3.1 平衡点的分布 |
| 3.3.2 平衡点稳定性分析与数值模拟 |
| 3.4 鞍结分岔分析 |
| 3.4.1 鞍结分岔的存在性 |
| 3.4.2 多值平衡区域临界鞍结点 |
| 3.5 平衡点的Hopf分岔分析 |
| 3.5.1 Hopf分岔点的确定 |
| 3.5.2 Hopf分岔类型与稳定性分析 |
| 3.6 数值模拟 |
| 3.7 本章小结 |
| 4 磁通HR神经元模型的同步控制 |
| 4.1 引言 |
| 4.2 磁通HR神经元模型描述 |
| 4.3 基于参数辨识的自适应同步控制 |
| 4.4 数值仿真分析 |
| 4.5 本章小结 |
| 5 磁通HR神经元模型在其保密通信中的应用 |
| 5.1 引言 |
| 5.2 基于忆阻器耦合神经元模型实现保密通信的方案 |
| 5.2.1 神经元模型自适应同步 |
| 5.2.2 数值仿真分析 |
| 5.3 基于忆阻器耦合HR神经元在其保密通讯中的应用 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）基于脉冲神经网络误差反传算法的脑功能模拟与机制分析（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 相关领域的研究现状分析 |
| 1.2.1 计算神经科学相关问题的研究现状 |
| 1.2.2 人工神经网络领域相关问题的研究现状 |
| 1.2.3 脉冲神经网络学习的相关研究现状 |
| 1.3 本文研究思路及章节安排 |
| 1.4 本文主要创新点 |
| 第2章 单神经元动力学模型 |
| 2.1 神经元的结构及电生理特性 |
| 2.2 单神经元模型 |
| 2.2.1 经典LIF模型及其SRM形式 |
| 2.2.2 多时标的广义LIF模型 |
| 2.2.3 基于膜电压梯度的神经元放电阈值 |
| 2.2.4 分段线性化的神经元模型 |
| 2.3 各种神经元模型对生理放电数据的拟合 |
| 2.4 本章小结 |
| 第3章 神经元网络建模与网络活动分析 |
| 3.1 生物神经元网络结构及集群活动的基本概念 |
| 3.2 神经网络结构特性及网络建模 |
| 3.3 皮层网络连接特性及其对网络振荡活动影响 |
| 3.3.1 网络活动的数据分析方法 |
| 3.3.2 网络结构特性对网络活动振荡的影响 |
| 3.4 基于同步振荡的前馈网络信息传递 |
| 3.4.1 同步振荡信号稳定传递的网络基础 |
| 3.4.2 网络结构对同步放电相关性和规则性的影响 |
| 3.4.3 噪声对同步放电时刻准确性的影响 |
| 3.4.4 网络结构对时间编码信息传递的影响 |
| 3.5 本章小结 |
| 第4章 脉冲神经元网络的学习与调制算法 |
| 4.1 引言 |
| 4.1.1 生物神经系统的突触可塑性机制 |
| 4.1.2 脉冲神经网络学习算法概述 |
| 4.1.3 本文学习算法流程概述 |
| 4.2 基于梯度误差反传的监督学习算法 |
| 4.2.1 LIF模型的梯度误差反传算法 |
| 4.2.2 多时标的广义LIF模型的梯度误差反传算法 |
| 4.2.3 分段线性化的神经元模型的梯度误差反传算法 |
| 4.2.4 采用优化算法加快学习效率 |
| 4.2.5 放电时刻传递和反传特性的讨论 |
| 4.3 学习算法效率分析及相应的网络调制策略 |
| 4.3.1 基于梯度反传学习算法的稳定性问题分析 |
| 4.3.2 电压梯度的阈值策略对梯度反传稳定性的作用 |
| 4.3.3 神经元放电率自稳定调制 |
| 4.3.4 神经元突触强度缩放调制 |
| 4.3.5 神经网络学习率波动衰减 |
| 4.3.6 神经网络剪枝 |
| 4.4 PWL模型学习算法实验验证 |
| 4.5 本章小结 |
| 第5章 视觉神经通路的学习与信息处理机制讨论 |
| 5.1 引言 |
| 5.1.1 视觉神经通路基本结构 |
| 5.1.2 视觉信息编码及信息传递和处理过程 |
| 5.1.3 神经网络在图像识别上的研究进展 |
| 5.2 脉冲神经网络图像识别功能的学习 |
| 5.2.1 数据集及神经编码方式描述 |
| 5.2.2 神经网络基本结构 |
| 5.2.3 神经元特征选择性估计方法 |
| 5.3 图像识别实验结果及神经网络生理特性对信息处理的影响 |
| 5.3.1 MNIST识别任务学习实验和结果分析 |
| 5.3.2 Caltech识别任务学习实验和结果分析 |
| 5.3.3 噪声对信息处理的影响 |
| 5.3.4 兴奋抑制性分离对信息处理能力的影响 |
| 5.3.5 神经网路对图像空间不变性的学习与机制讨论 |
| 5.3.6 网络空间结构特性对信息处理的影响 |
| 5.3.7 神经网络剪枝机制对信息处理的影响 |
| 5.4 本章小结 |
| 第6章 运动控制系统的学习与长短时程信息处理机制讨论 |
| 6.1 引言 |
| 6.2 运动轨迹规划任务学习 |
| 6.2.1 运动规划任务的神经科学背景 |
| 6.2.2 运动规划任务描述 |
| 6.2.3 神经网络构建及训练参数设置 |
| 6.3 运动控制的监督学习任务 |
| 6.3.1 有监督运动控制任务的神经科学背景 |
| 6.3.2 有监督运动控制任务描述 |
| 6.3.3 神经网络构建及参数设置 |
| 6.3.4 运动控制任务有监督学习的实验结果分析 |
| 6.4 运动控制的增强学习任务 |
| 6.4.1 增强学习的理论和神经科学背景 |
| 6.4.2 增强学习的控制任务设置以及神经网络构建 |
| 6.4.3 增强学习控制任务的实验结果分析 |
| 6.5 本文运动控制学习算法与相关研究的对比讨论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录1:脉冲神经网络仿真及训练平台框架 |
| 附录2:广义LIF神经元模型梯度反传公式具体形式 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）C4A3$-C2S二元体系的烧成与水化机理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号代表的意义 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 水泥发展简述 |
| 1.1.2 硫铝酸盐水泥发展简述 |
| 1.1.3 硫铝酸钙与硅酸二钙的简述 |
| 1.2 研究现状 |
| 1.2.1 硫铝酸盐系列水泥中主要单矿物的研究现状 |
| 1.2.2 硫铝酸盐系列水泥烧成制度的研究现状 |
| 1.2.3 硫铝酸盐系列水泥水化产物和水化机理的研究现状 |
| 1.2.4 研究现状分析 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 技术路线图 |
| 2 C_4A_3$-C_2S二元体系的建立与烧成制度优化 |
| 2.1 C_4A_3$-C_2S二元体系的建立 |
| 2.1.1 C_4A_3$-C_2S生料组成设计与制备 |
| 2.1.2 C_4A_3$-C_2S熟料的烧成 |
| 2.2 C_4A_3$-C_2S熟料矿物的表征与分析 |
| 2.2.1 XRD定性分析 |
| 2.2.2 XRD定量分析 |
| 2.2.3 FTIR分析 |
| 2.2.4 TG-DTG分析 |
| 2.2.5 SEM-EDS分析 |
| 2.3 C_4A_3$-C_2S二元体系熟料矿物烧成制度的优化 |
| 2.3.1 C_4A_3$-C_2S熟料体系矿物相比对 |
| 2.3.2 C_4A_3$-C_2S熟料矿物相ICC分析 |
| 2.4 本章小结 |
| 3 C_4A_3$-C_2S熟料体系烧成机理与动力学响应 |
| 3.1 C_4A_3$-C_2S在C_4A_3$-C_2S熟料体系烧结过程中的动力学响应 |
| 3.1.1 形成动力学理论 |
| 3.1.2 C_4A_3$-C_2S二元体系中C_4A_3$的动力学响应 |
| 3.1.3 C_4A_3$-C_2S二元体系中C_2S的动力学响应 |
| 3.2 C_4A_3$-C_2S熟料体系烧成矿物相晶粒尺寸演化规律 |
| 3.2.1 Scherrer方法进行平均晶粒尺寸计算的理论基础 |
| 3.2.2 由RQPA方法计算获得的晶粒尺寸及演化规律 |
| 3.3 C_4A_3$-C_2S熟料体系的烧结反应进程与烧成机理探究 |
| 3.4 本章小结 |
| 4 CH在C_4A_3$-C_2S二元体系水化进程中的轨迹 |
| 4.1 实验材料制备与表征方法 |
| 4.1.1 设计及制备C_4A_3$-C_2S熟料和水化试样 |
| 4.1.2 表征方法 |
| 4.2 C_4A_3$-C_2S二元水化体系的XRD定性及定量分析 |
| 4.2.1 烧成C_4A_3$-C_2S熟料的RQPA结果分析 |
| 4.2.2 C_4A_3$-C_2S水化体系的XRD定性分析 |
| 4.2.3 C_4A_3$-C_2S水化体系的XRD定量分析 |
| 4.3 C_4A_3$-C_2S二元水化体系的TG-DTG分析 |
| 4.4 C_4A_3$-C_2S二元水化体系的FTIR分析 |
| 4.5 C_4A_3$-C_2S二元水化体系的pH分析 |
| 4.6 本章小结 |
| 5 C_4A_3$-C_2S-C$H_2水化体系晶胶比与强度贡献率 |
| 5.1 实验材料制备与表征方法 |
| 5.1.1 C_4A_3$-C_2S-C$H_2水化体系分析试样的制备 |
| 5.1.2 表征方法 |
| 5.2 抗压强度测试及分析 |
| 5.3 C_4A_3$-C_2S-C$H_2水化体系的XRD定性及定量分析 |
| 5.3.1 C_4A_3$-C_2S-C$H_2水化体系的XRD定性分析 |
| 5.3.2 C_4A_3$-C_2S-C$H_2水化体系的RQPA分析 |
| 5.4 C_4A_3$-C_2S-C$H_2水化体系的TG-DTG分析 |
| 5.5 C_4A_3$-C_2S-C$H_2水化体系的FTIR分析 |
| 5.6 C_4A_3$-C_2S-C$H_2水化体系的MIP分析 |
| 5.7 本章小结 |
| 6 C_4A_3$-C_2S二元体系的水化机理与水化动力学响应 |
| 6.1 C_4A_3$-C_2S水化体系的动力学响应 |
| 6.1.1 水化动力学理论 |
| 6.1.2 C_4A_3$-C_2S水化体系的水化放热 |
| 6.1.3 C_4A_3$-C_2S水化体系的动力学响应 |
| 6.2 C_4A_3$-C_2S水化产物相微观结构和晶粒尺寸演化规律 |
| 6.2.1 C_4A_3$-C_2S水化产物相的微观结构 |
| 6.2.2 C_4A_3$-C_2S水化产物的晶粒尺寸及演化规律 |
| 6.3 C_4A_3$-C_2S二元体系的水化机理分析与探究 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（8）基于离子通道的神经元模型研究及其在脉冲神经网络中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 神经元模型研究现状 |
| 1.2.2 非线性动力学研究现状 |
| 1.2.3 脉冲神经网络研究现状 |
| 1.3 研究目的及内容 |
| 1.4 论文结构安排 |
| 第二章 神经元模型介绍及动力学基础 |
| 2.1 动作电位 |
| 2.2 脉冲 |
| 2.3 神经元模型介绍 |
| 2.3.1 Hodgkin-Huxley(H-H)模型 |
| 2.3.2 Chay模型 |
| 2.3.3 I_(Na,p)+I_K模型方程 |
| 2.3.4 Izhikevich模型 |
| 2.3.5 Integrate-and-Fire(IF)模型 |
| 2.4 非线性序列动力学分析方法 |
| 2.4.1 替代数据(Surrogate Data)法 |
| 2.4.2 非线性预报(Nonlinear Prediction) |
| 2.4.3 近似熵(Approximate Entropy)算法 |
| 2.4.4 复杂度(Complexity)算法 |
| 2.4.5 自相关分析(Autocorrelation Function Analysis) |
| 2.5 本章小结 |
| 第三章 基于离子通道的神经元模型及其非线性动力学研究 |
| 3.1 基于离子通道的Chay模型研究 |
| 3.1.1 随机性Chay模型 |
| 3.1.2 实验数据分析 |
| 3.1.3 噪声诱导的随机Chay模型非线性动力学特性分析 |
| 3.2 基于离子通道的I_(Na,p)+I_K模型研究 |
| 3.2.1 随机I_(Na,p)+I_K模型 |
| 3.2.2 实验数据分析 |
| 3.2.3 噪声诱导的随机I_(Na,p)+I_K模型非线性动力学特性分析 |
| 3.3 本章小结 |
| 第四章 基于离子通道神经元模型的网络学习规则研究 |
| 4.1 STDP学习规则 |
| 4.2 STDP学习规则改进 |
| 4.3 实验验证 |
| 4.4 基于改进STDP学习规则的数值实验 |
| 4.5 本章小结 |
| 第五章 神经元模型在脉冲神经网络中的应用 |
| 5.1 神经元输入编码 |
| 5.1.1 Time-to-first-Spike编码 |
| 5.1.2 泊松编码 |
| 5.2 脉冲神经网络结构 |
| 5.3 基于MNIST数据集实验 |
| 5.4 基于Iris数据集实验 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）神经元网络的特性分析与闭环控制（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 神经科学中的闭环 |
| 1.2.1 生物标记及特征提取 |
| 1.2.2 反馈及刺激参数调节 |
| 1.2.3 性能指标 |
| 1.3 计算模型 |
| 1.4 模型辨识与参数估计 |
| 1.5 研究思路 |
| 1.6 主要贡献 |
| 1.7 内容安排 |
| 第2章 单神经元输出特性的控制 |
| 2.1 放电峰峰间期 |
| 2.2 单神经元模型 |
| 2.2.1 HH模型 |
| 2.2.2 PR模型 |
| 2.3 神经元内部状态估计 |
| 2.4 单神经元的输出ISI特性 |
| 2.5 单神经元输出特性的闭环控制系统 |
| 2.5.1 外电场对单神经元输出ISI特性的影响 |
| 2.5.2 单神经元输出特性闭环控制系统 |
| 2.6 单神经元输出特性的闭环控制 |
| 2.6.1 HH神经元的输出特性控制 |
| 2.6.2 PR神经元的输出特性控制 |
| 2.7 单神经元的闭环电生理特性 |
| 2.8 本章小结 |
| 第3章 神经元网络输出特性的控制 |
| 3.1 CPG神经网络 |
| 3.2 单神经元及最小CPG网络模型 |
| 3.2.1 单神经元模型 |
| 3.2.2 最小CPG网络模型 |
| 3.3 最小CPG网络的输出特性 |
| 3.3.1 拓扑结构对最小CPG网络输出特性的影响 |
| 3.3.2 形态特性对最小CPG网络输出特性的影响 |
| 3.4 网络输出特性的闭环控制系统 |
| 3.5 最小CPG网络输出特性的闭环控制 |
| 3.6 本章小结 |
| 第4章 癫痫样放电的控制 |
| 4.1 癫痫与神经集群模型 |
| 4.1.1 癫痫 |
| 4.1.2 神经集群模型 |
| 4.2 癫痫样放电的闭环控制系统 |
| 4.2.1 神经集群模型跟踪控制分析 |
| 4.2.2 神经集群模型自适应模糊跟踪控制器设计 |
| 4.3 癫痫样放电的闭环控制 |
| 4.4 本章小结 |
| 第5章 帕金森节律的控制 |
| 5.1 帕金森疾病与基底核集总参数模型 |
| 5.1.1 帕金森疾病 |
| 5.1.2 基底核神经集群网络模型 |
| 5.2 帕金森节律的闭环控制系统 |
| 5.2.1 延时反馈闭环控制系统 |
| 5.2.2 闭环控制系统可行性分析 |
| 5.3 帕金森节律的闭环控制 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（10）相位噪声和电磁感应作用下神经元及神经元网络的共振动力学（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论与基本知识 |
| 1.1 选题背景与意义 |
| 1.2 随机共振和相干共振的研究现状 |
| 1.2.1 随机共振 |
| 1.2.2 相干共振 |
| 1.3 相位噪声与电磁感应的相关研究 |
| 1.3.1 相位噪声 |
| 1.3.2 电磁感应 |
| 1.4 基本知识 |
| 1.4.1 神经元的数学模型 |
| 1.4.2 神经元突触的数学模型 |
| 1.4.3 相位噪声模型 |
| 1.4.4 复杂网络基本概念 |
| 1.5 论文研究的主要内容 |
| 第2章 相位噪声和自突触作用下神经元系统的相干共振行为 |
| 2.1 引言 |
| 2.2 模型介绍 |
| 2.3 相干共振现象 |
| 2.3.1 相位噪声诱导的双重相干共振行为 |
| 2.3.2 系统参数诱导的相干共振行为 |
| 2.4 自突触时滞诱发的多重相干共振现象 |
| 2.5 本章小结 |
| 第3章 电磁感应和耦合时滞对神经元网络系统随机共振的影响 |
| 3.1 引言 |
| 3.2 模型介绍 |
| 3.3 随机共振现象 |
| 3.3.1 相位噪声诱导的神经元网络系统的随机共振 |
| 3.3.2 电磁感应对噪声诱导的随机共振现象的影响 |
| 3.3.3 随机共振现象对网络结构参数的鲁棒性 |
| 3.4 多重随机共振现象 |
| 3.4.1 耦合时滞诱导的多重随机共振 |
| 3.4.2 电磁感应对多重随机共振现象的影响 |
| 3.4.3 多重随机共振现象对相位噪声周期的鲁棒性 |
| 3.5 本章小结 |
| 第4章 总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、峰峰间期逐渐增大的动力学机制(英文)（论文参考文献）
- [1]一类e-HR神经元模型的分岔分析与同步控制研究[D]. 王红梅. 兰州交通大学, 2021(02)
- [2]电磁感应下神经元模型的分岔模式及其控制[D]. 乔帅. 兰州交通大学, 2021(01)
- [3]基于多参数影响的耦合神经元系统放电模式多样性及分岔特性研究[D]. 高月月. 兰州交通大学, 2021(02)
- [4]一类神经元系统的同步控制及其在保密通信中的应用[D]. 程万朋. 兰州交通大学, 2021(02)
- [5]基于脉冲神经网络误差反传算法的脑功能模拟与机制分析[D]. 洪朝飞. 天津大学, 2020
- [6]Pre-B?tzinger复合体的从簇到峰放电的同步转迁及分岔机制[J]. 杨永霞,李玉叶,古华光. 物理学报, 2020(04)
- [7]C4A3$-C2S二元体系的烧成与水化机理研究[D]. 李继野. 大连理工大学, 2019(06)
- [8]基于离子通道的神经元模型研究及其在脉冲神经网络中的应用[D]. 商慧杰. 济南大学, 2019(01)
- [9]神经元网络的特性分析与闭环控制[D]. 李珊珊. 天津大学, 2019(06)
- [10]相位噪声和电磁感应作用下神经元及神经元网络的共振动力学[D]. 刘小强. 陕西师范大学, 2019(06)