CN106156842A - 一种积分发放神经元模型的最优控制方法 - Google Patents
一种积分发放神经元模型的最优控制方法 Download PDFInfo
- Publication number
- CN106156842A CN106156842A CN201510117435.9A CN201510117435A CN106156842A CN 106156842 A CN106156842 A CN 106156842A CN 201510117435 A CN201510117435 A CN 201510117435A CN 106156842 A CN106156842 A CN 106156842A
- Authority
- CN
- China
- Prior art keywords
- neuron
- individuality
- control sequence
- neuron models
- time
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种积分发放神经元模型的最优控制方法,利用Memetic算法中群体搜索的广度优点和局部搜索的深度优点,以积分发放神经元模型的电位发放时间误差为优化算法的评价函数,通过个体间的交叉和变异增加了粒子的多样性,利用最小化评价函数来确定积分发放神经元模型的最优控制序列,从而实现在期望时刻完成神经元发放的控制目的。
Description
技术领域
本发明涉及神经科学和智能优化领域,具体地说是一种积分发放神经元模型的最优控制方法。
背景技术
脉冲放电在神经系统信息传递中起着重要的作用。神经元的放电序列既包含了神经元间的通讯信息,又能反映神经系统的结构和神经元状态。因此,对该序列进行充分的信号分析具有重要意义。振荡活动在神经系统中无处不在,其同步行为已成为神经信息学研究中关注的焦点。一些神经系统疾病,如帕金森病,其发病的原因正是由于神经元的异常同步活动行为所致。治疗帕金森病的一种有效方法,脑深层刺激技术,本质上就是对神经元施加电刺激控制。
上世纪二十年代以来,动作电位发放数率编码感觉刺激信息的假说一直占据统治地位。然而,以动作电位发放数率为指标通常存在很大的变异性,近十年来认为神经放电时间编码了感觉刺激受到越来越多关注。动作电位发生时间比动作电位发放数率作为感觉刺激编码参数更具有高稳定性和准确性。因此,研究如何施加外部电刺激以控制动作电位时间对于治疗病理学疾病、调节神经活动等具有潜在实际意义。
发明内容
本发明的目的在于综合应用积分发放神经元模型和Memetic优化算法推断控制序列和电位发放时间之间的相互关系,提出一种积分发放神经元模型的最优控制方法,寻优过程中以电位发放时间误差为优化算法的评价函数,充分利用基于种群的全局搜索和基于个体的局部启发式搜索,通过优化种群分布,及早剔除不良个体,加快算法的求解速度,在保证较高收敛性能的基础上,提高全局搜索能力,获得高质量的解,以推测出与最佳控制序列。
积分发放神经元系统可以描述神经元膜电位的动力学行为,方程可表示为:
式中,V表示神经元膜电位,τ是时间常数,R输入阻抗,EL为漏电导平衡电位。在刺激电流I(t)作用下,当膜电位V超过阈值Vth时,神经元会产生一个峰放电,同时V复位至静息电位Vr。为了控制电位发放时间,设计时间窗t=(1,2,…,tf)上神经元的输入刺激序列(即控制序列),将期望电位发放时间与施加控制序列后达到的电位发放时间的误差绝对值作为适应度函数,即
E=|tp-t*|
其中,t*、tp分别表示期望电位发放时间、预测电位发放时间。当E=0时,说明所设计的控制序列可实现电位发放时间与期望电位发放时间一致。
本发明采用的技术方案包含如下步骤:
步骤1:设定期望发放时间t*,确定搜索种群规模M,控制序列解空间维数大小D,杂交概率pc,变异概率pv,随机产生M个初始个体,进化代数变量k=1,最大进化代数Kmax。
步骤2:产生初始群体。根据控制输入范围按均匀分布随机产生tf个离散时间控制序列I(t),t=(1,2,…,tf)。
步骤3:编码。根据控制序列的解空间,将可行解数据表示成搜索空间的浮点型串结构数据,这些串结构数据不同组合构成不同可行解。
步骤4:交叉。按照杂交概率pc在M个个体中任意选取两个进行杂交运算,产生新一代群体的两个新个体。
步骤5:变异。在杂交运算杂生的新群体中,按照变异概率pv从中选取若干个体,进行变异操作,更新控制序列。
步骤6:将控制序列作用到发放神经元模型,获得神经元电位的离散序列,并获得首次电位发放时间tp。
步骤7:计算适应度函数。根据电位发放时间误差分别计算每个个体的适应度函数,其公式为:
E=|tp-t*|
步骤8:选择。从当前群体中选择M个优良(适应度高)的个体,选择概率与其适应度成正比,舍弃适应度低的个体。
步骤9:局部搜索。对种群中的所有个体采用拟牛顿法进行局部搜索。
步骤10:如果满足停止条件或达到最大迭代次数(k=Kmax),则寻优结束,所得到的全局最优值,即为最佳控制序列;否则,k:=k+1,转步骤4。
本发明与已有粒子群优化算法相比具有以下优点:本发明积分发放神经元模型的最优控制方法结合了群体算法搜索的广度优点和局部搜索算法的深度优点,以电位发放时间误差为适应度函数,通过个体间的交叉和变异增加了粒子的多样性,利用个体的择优选取和局部搜索来提高优化搜索效率,综合考虑计算复杂度、高效搜索能力、全局性等方面性能,以获得最佳控制序列。
附图说明
图1是基于本发明方案的最优控制方法流程图。
图2是基于本发明方案的实施例最优控制序列。
图3是基于本发明方案的实施例电位响应曲线结果。
具体实施方式
为了更好地理解本发明的技术方案,以下对实施方式作进一步的详细描述,并结合一个应用实例来说明具体实施方式,但不限于此。
实施例:考虑一个积分发放神经元模型:式中,时间常数为τ=5,输入阻抗为R=1,膜电位阈值为Vth=-50,静息电位为Vr=-55,漏电导平衡电位为EL=-65,输入刺激电流I(t)范围为[5,20]。利用欧拉方法对该神经元模型进行离散化,迭代步长为dt=0.01。
本发明方法工作流程如图1所示,具体实施方式可以分为以下几步:
(1)设定期望发放时间t*=2,从而确定控制序列解空间维数大小D=200,搜索种群规模M=10,取杂交概率pc=0.95,变异概率pv=0.1,随机产生M个初始个体,确定进化代数变量k=1,最大进化代数Kmax=15
(2)产生初始群体。根据控制输入范围[5,20]按均匀分布随机产生tf=D个离散时间控制序列I(t),t=(1,2,…,tf)。
(3)编码。根据控制序列的解空间,将可行解数据表示成搜索空间的浮点型串结构数据,这些串结构数据不同组合构成不同可行解。
(4)交叉。按照杂交概率pc在M个个体中任意选取两个进行杂交运算,产生新一代群体的两个新个体。
(5)变异。在杂交运算杂生的新群体中,按照变异概率pv从中选取若干个体,进行变异操作,更新控制序列。
(6)将控制序列作用到发放神经元模型,获得神经元电位的离散序列,并获得首次电位发放时间tp。
(7)计算适应度函数。根据电位发放时间误差分别计算每个个体的适应度函数,其公式为:
E=|tp-t*|
(8)选择。从当前群体中选择M个优良(适应度高)的个体,选择概率与其适应度成正比,舍弃适应度低的个体。
(9)局部搜索。对种群中的所有个体采用拟牛顿法进行局部搜索。
(10)如果满足停止条件或达到最大迭代次数(k=Kmax),则寻优结束,所得到的全局最优值,即为最佳控制序列;否则,k:=k+1,转(4)。
图2显示了基于本发明方案的最优控制序列。在该最优控制序列作用下,预测的电位发放时间为tp=2.02。图3显示了神经元模型电位响应过程曲线。由图可见,即使进化代数较少的情况下,本发明方案也能表现出较好的优化性能。
上面对本发明所述积分发放神经元模型的最优控制方法进行了详细的说明,但本发明的具体实现形式并不局限于此。对本技术领域的一般技术人员来说,在不背离本发明所述方法的精神和权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。
Claims (3)
1.一种积分发放神经元模型的最优控制方法,其特征是所述方法包括如下步骤:
步骤1:设定期望发放时间t*,确定搜索种群规模M,控制序列解空间维数大小D,杂交概率pc,变异概率pv,随机产生M个初始个体,进化代数变量k=1,最大进化代数Kmax。
步骤2:产生初始群体。根据控制输入范围按均匀分布随机产生tf个离散时间控制序列I(t),t=(1,2,…,tf)。
步骤3:编码。根据控制序列的解空间,将可行解数据表示成搜索空间的浮点型串结构数据,这些串结构数据不同组合构成不同可行解。
步骤4:交叉。按照杂交概率pc在M个个体中任意选取两个进行杂交运算,产生新一代群体的两个新个体。
步骤5:变异。在杂交运算杂生的新群体中,按照变异概率pv从中选取若干个体,进行变异操作,更新控制序列。
步骤6:将控制序列作用到发放神经元模型,获得神经元电位的离散序列,并获得首次电位发放时间tp。
步骤7:计算适应度函数。根据电位发放时间误差分别计算每个个体的适应度函数,其公式为:
E=|tp-t*|
步骤8:选择。从当前群体中选择M个优良(适应度高)的个体,选择概率与其适应度成正比,舍弃适应度低的个体。
步骤9:局部搜索。对种群中的所有个体采用拟牛顿法进行局部搜索。
步骤10:如果满足停止条件或达到最大迭代次数(k=Kmax),则寻优结束,所得到的全局最优值,即为最佳控制序列;否则,k:=k+1,转步骤4。
2.根据权利要求1所述的一种积分发放神经元模型的最优控制方法,其特征是所述神经元模型为
式中,V表示神经元膜电位,τ是时间常数,R输入阻抗,EL为漏电导平衡电位。在刺激电流I(t)作用下,当膜电位V超过阈值Vth时,神经元产生放电,同时V复位至静息电位Vr。
3.根据权利要求1所述的一种积分发放神经元模型的最优控制方法,其特征是所述步骤9中,局部搜索策略可采用爬山法、单纯形优化法、共轭梯度法、牛顿法等,本发明为了提高局部收敛速度,采用拟牛顿法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117435.9A CN106156842A (zh) | 2015-03-16 | 2015-03-16 | 一种积分发放神经元模型的最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117435.9A CN106156842A (zh) | 2015-03-16 | 2015-03-16 | 一种积分发放神经元模型的最优控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106156842A true CN106156842A (zh) | 2016-11-23 |
Family
ID=58063720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510117435.9A Pending CN106156842A (zh) | 2015-03-16 | 2015-03-16 | 一种积分发放神经元模型的最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156842A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875003A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 自适应泄漏值神经元信息处理方法和系统 |
CN114936626A (zh) * | 2022-05-19 | 2022-08-23 | 常州大学 | 一种用于离散神经元网络的初值控制方法 |
-
2015
- 2015-03-16 CN CN201510117435.9A patent/CN106156842A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875003A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 自适应泄漏值神经元信息处理方法和系统 |
CN106875003B (zh) * | 2017-01-20 | 2020-08-04 | 清华大学 | 自适应泄漏值神经元信息处理方法和系统 |
CN114936626A (zh) * | 2022-05-19 | 2022-08-23 | 常州大学 | 一种用于离散神经元网络的初值控制方法 |
CN114936626B (zh) * | 2022-05-19 | 2023-10-27 | 常州大学 | 一种用于离散神经元网络的初值控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cramer et al. | The heidelberg spiking data sets for the systematic evaluation of spiking neural networks | |
CN106529503B (zh) | 一种集成卷积神经网络人脸情感识别方法 | |
CN104751842B (zh) | 深度神经网络的优化方法及系统 | |
RU2586864C2 (ru) | Способ и устройство для локального правила состязательного обучения, которое приводит к разреженной связности | |
CN102779510B (zh) | 基于特征空间自适应投影的语音情感识别方法 | |
CN101821699B (zh) | 涉及脑计算机接口的改进 | |
Alwasiti et al. | Motor imagery classification for brain computer interface using deep metric learning | |
CN111191835B (zh) | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 | |
CN104239964B (zh) | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 | |
TWI585695B (zh) | 用於定義多個神經元的動態的方法、設備及電腦可讀取媒體 | |
CN105556543B (zh) | 针对神经模型的群组标签的实现方案的方法和装置 | |
TWI550530B (zh) | 用於產生尖峰定時依賴可塑性曲線的緊湊表示的方法、設備、電腦可讀取媒體及電腦程式產品 | |
TW201528162A (zh) | 在尖峰神經網路中使用重放來實施突觸學習 | |
CN106897545A (zh) | 一种基于深度置信网络的肿瘤预后预测系统 | |
CN110009160A (zh) | 一种基于改进的深度信念网络的电力价格预测方法 | |
Ma et al. | A memristive neural network model with associative memory for modeling affections | |
CN105718655A (zh) | 帕金森状态的闭环神经刺激仿真系统 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN106156842A (zh) | 一种积分发放神经元模型的最优控制方法 | |
CN109858798A (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN101846977B (zh) | 功能性电刺激关节角度遗传模糊控制方法 | |
CN104850735A (zh) | 一种基于栈式自编码的活动识别方法 | |
Le et al. | Data selection for acoustic emotion recognition: Analyzing and comparing utterance and sub-utterance selection strategies | |
CN104598657A (zh) | 一种基于memetic算法的基因模体重构技术 | |
Dhanasekar et al. | Ranking of generalized trapezoidal fuzzy numbers using Haar wavelet |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161123 |