CN103218661A - 一种基于神经元复杂混沌网络模型及其耦合同步方法 - Google Patents
一种基于神经元复杂混沌网络模型及其耦合同步方法 Download PDFInfo
- Publication number
- CN103218661A CN103218661A CN 201310122466 CN201310122466A CN103218661A CN 103218661 A CN103218661 A CN 103218661A CN 201310122466 CN201310122466 CN 201310122466 CN 201310122466 A CN201310122466 A CN 201310122466A CN 103218661 A CN103218661 A CN 103218661A
- Authority
- CN
- China
- Prior art keywords
- neuron
- coupled
- centerdot
- coupling
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明给出了一个简易的神经元模型,分析两个神经元及三个神经元的混沌动力学模型并给出了多个神经元的形成的关联复杂网络。在此基础上,对这个模型的链式、环形及最近邻耦合网络的耦合同步方法,分别实现了其耦合同步。对生物神经元之间的作用研究有一定的价值。
Description
技术领域
本发明涉及神经元复杂混沌网络模型及其耦合同步,属于生物工程及非线性控制领域。
背景技术
当今,神经元耦合系统是一个新兴的非线性动力学研究领域,耦合振荡及同步是非线性动力学的一个基本现象。它发生在许多物理、通信、生态和神经系统中并且在振荡的集体行为扮演重要的角色。特别是近年来,耦合神经元系统的同步问题是研究脑信息处理的关键,在国外Bazhenovt等研究了链式抑制性化学突触耦合混沌行为;国内石霞等研究了具有环式结构的电耦合同步模式;王青云等研究了对称结构的耦合神经元网络同步的充分条件;杜艳海等研究了N个最近邻耦合网络耦合的FitzHugh-Nagumo的同步振荡等,而关于本发明中的简易神经元在三种不同耦合网络下同步的差别却鲜有报道。
发明内容
本发明所要解决的技术问题是提供一种基于神经元复杂混沌网络模型及其耦合同步方法。为了解决上述技术问题,本发明给出了一个简易的神经元模型,分析两个神经元及三个神经元的混沌动力学模型并给出了多个神经元的形成的关联复杂网络。在此基础上,对这个模型的模型的链式,环形及最近邻耦合网络的耦合同步方法,分别实现了其耦合同步。
所述三个神经元混沌动力学方程为:
其中
其中,
多个神经元混沌动力学方程为:
其中f,u同(2),(3)式,i=1,2,…,N,C为耦合强度,如果第i个神经元耦合到第j上,那么aij=aji=1,否则aij=aji=0,而且aii=0。
关于神经元耦合矩阵的最大非零特征值越小,耦合神经元系统达到完全同步时所需耦合强度就越小。本发明从三类不同规则链式、环式和最近邻耦合网络与NW小世界神经元复杂网络的完全同步,给出具有不同连接形式的神经元网络同步能力差别。
本发明的效果及作用
(1)本发明实现了提供一种基于神经元复杂混沌网络模型及其耦合同步方法,其中参数,[x(t),y(t),z(t)]T∈R3为状态变量。
(2)采用本发明的神经元模型及同步方法,有助于了解神经元活动及同步的规律。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1为混沌系统(1)三维相图(z,x,y)。
图2为复杂网络形式(a)链式;(b)环形;(c)最近邻耦合网络。
图3为三种复杂网络下所表现出的不同耦合同步误差响应。
具体实施方式
所述三个神经元混沌动力学方程为:
其中
其中,
其三维相图如图1所示。
多个神经元混沌动力学方程为:
其中f,u同(2),(3)式,i=1,2,…,N,C为耦合强度,如果第i个神经元耦合到第j上,那么aij=aji=1,否则aij=aji=0,而且aii=0。
关于神经元耦合矩阵的最大非零特征值越小,耦合神经元系统达到完全同步时所需耦合强度就越小。本发明从三类不同规则链式、环式和最近邻耦合网络与NW小世界神经元复杂网络的完全同步,给出具有不同连接形式的神经元网络同步能力差别。考虑三类规则连接的N耦合神经元同步稳定性,此三种方式分别为链式、环式和最近邻耦合网络连接,具体形式如图2(a)、(b)、(c)所示
假设链式连接耦合矩阵Achain为
其特征值为
环式连接的耦合矩阵为
其特征值为
最近邻耦合网络连接耦合矩阵为
其非零特征值为
λ(N)=-N (10)
为了便于分析,引入同步误差如下:
ei=Xi+1-X1,i=1,2,3 (11)
其中ei=(ei1,ei2,ei3)=(xi+1-x1,yi+1-y1,zi+1-z1),对于链式、环式和最近邻耦合网络耦合的连接形式,其同步误差ei分别满足下面的微分方程:
(1)、链式复杂网络
(2)、环形复杂网络
(3)、最近邻耦合复杂网络
上式中DF(x1)是向量场F在同步流形x1的JACOBI矩阵,其中,
引入膜电位差的平均值如下:
||e||=1/3(|e11|+|e21|+|e31|) (16)
在一定的耦合强度下,随着时间的增加||e||的极大值趋于零,那么耦合神经元达到了完全同步。以三个耦合神经元为例进行说明链式、环形和最近邻耦合网络三种情况的耦合同步误差分别如图3所示。
从图3可以看出,如果神经元的耦合数N≥3,那么可以得到对于N≥3,当神经元达到完全同步时,在这三种规则的耦合神经元网络中,最近邻耦合网络连接的神经元需要的耦合强度最弱,而链式的连接需要的耦合强度最强。
本发明所提出一种基于神经元复杂混沌网络模型及其耦合同步方法,考虑到神经元细胞的不同耦合结构,所得的结果将有助于了解神经元活动及同步的规律。
上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。
Claims (4)
1.基于神经元复杂混沌网络模型及其耦合同步方法,其特征包括:在分析神经元结构的基础上,本发明给出了一个简易的神经元模型,分析两个神经元及三个神经元的混沌动力学模型并给出了多个神经元的形成的关联复杂网络。在此基础上,对这个模型的链式、环形及最近邻耦合网络的耦合同步方法,分别实现了其耦合同步,有助于了解神经元结构的规律。
2.根据权利要求1所述的神经元复杂混沌网络模型及其耦合同步方法,其特征在于,三个神经元混沌动力学方程为:
其中
其中,
利用上述可以得到其混沌吸引子。
3.根据权利要求1所述的神经元复杂混沌网络模型及其耦合同步方法,其特征在于,多个神经元混沌动力学方程为:
其中f,u同(2),(3)式,i=1,2,…,N,C为耦合强度,如果第i个神经元耦合到第j上,那么aij=aji=1,否则aij=aji=0,而且aii=0。
4.根据权利要求1所述的神经元复杂混沌网络模型及其耦合同步方法,其特征在于:由于耦合矩阵A的所有非零特征值是严格负的,如果耦合矩阵A的最大非零特征值越小,耦合神经元系统达到完全同步时所需耦合强度就越小。本发明从三类不同规则链式、环式和最近邻耦合网络与NW小世界神经元复杂网络的完全同步,给出具有不同连接形式的神经元网络同步能力差别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201310122466 CN103218661A (zh) | 2013-03-27 | 2013-03-27 | 一种基于神经元复杂混沌网络模型及其耦合同步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201310122466 CN103218661A (zh) | 2013-03-27 | 2013-03-27 | 一种基于神经元复杂混沌网络模型及其耦合同步方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103218661A true CN103218661A (zh) | 2013-07-24 |
Family
ID=48816428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201310122466 Pending CN103218661A (zh) | 2013-03-27 | 2013-03-27 | 一种基于神经元复杂混沌网络模型及其耦合同步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218661A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138863A (zh) * | 2015-08-05 | 2015-12-09 | 陕西师范大学 | 具有耦合时滞的模块神经元网络簇同步的抑制方法 |
-
2013
- 2013-03-27 CN CN 201310122466 patent/CN103218661A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138863A (zh) * | 2015-08-05 | 2015-12-09 | 陕西师范大学 | 具有耦合时滞的模块神经元网络簇同步的抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Stabilization of stochastic delayed networks with Markovian switching and hybrid nonlinear coupling via aperiodically intermittent control | |
Fei et al. | Structured robust stability and boundedness of nonlinear hybrid delay systems | |
Qin et al. | Analysis and adaptive control for robust synchronization and H∞ synchronization of complex dynamical networks with multiple time-delays | |
CN100539354C (zh) | 电力系统解列决策空间筛选方法 | |
CN107105394A (zh) | 基于无线传感器网络的建筑安全监测系统 | |
CN103279031B (zh) | 一种不确定多智能体系统的鲁棒趋同控制方法 | |
Liu et al. | Intermittent control to stationary distribution and exponential stability for hybrid multi-stochastic-weight coupled networks based on aperiodicity | |
CN103869698A (zh) | 多智能体系统一致性的采样控制方法 | |
CN109541944A (zh) | 含通信时滞的离散网络化多智能体系统有限时间控制方法 | |
CN104077393A (zh) | 一种基于半监督谱聚类的最优解列断面搜索方法 | |
Feng et al. | Globally optimal distributed cooperative control for general linear multi-agent systems | |
CN105528671B (zh) | 一种基于大数据的电网多维感知与安全评估系统及方法 | |
CN103618325B (zh) | 计及电力系统运行方式变化的广域阻尼控制器设计方法 | |
Duan et al. | Finite-time distributed H∞ filtering for Takagi-Sugeno fuzzy system with uncertain probability sensor saturation under switching network topology: Non-PDC approach | |
CN103218661A (zh) | 一种基于神经元复杂混沌网络模型及其耦合同步方法 | |
CN103607292A (zh) | 面向电力通信网络业务的快速分布式监测方法 | |
Shaker et al. | Frequency-interval control configuration selection for multivariable bilinear systems | |
Li et al. | Extended dissipativity-based synchronization of Markov jump neural networks subject to partially known transition and mode detection information | |
WO2011094611A3 (en) | Learning and auditory scene analysis in gradient frequency nonlinear oscillator networks | |
CN106340896A (zh) | 一种多逆变器并网控制通道间交互影响的分析方法 | |
Qi et al. | Model management and service based power grid multi-agent dispatcher training simulator | |
CN104318409A (zh) | 基于双簇头的离群点判别方法 | |
Zheng et al. | Stochastic synchronization of neutral-type chaotic impulse neural networks with leakage delay and Markovian jumping parameters | |
CN105939189A (zh) | 一种密码芯片安全风险量化方法 | |
CN107332714A (zh) | 一种节点异质多输入多输出复杂网络系统的控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130724 |