神经元网络模型的弱信号随机共振检测研究

基于FitzHugh-Nagumo可兴奋细胞耦合后形成的神经元网络模型,对生物神经系统的弱周期信号随机共振检测机制进行研究。以加和网络的双层FHN神经元模型为例,对周期随机共振现象分别进行研究,并应用信噪比、互信息率对比评价方法,结合输出神经元动作电位的发放频率和幅值,从多个角度进行了定量和定性的描述和比较。实验结果表明,双层FHN神经元网络的随机共振响应优于单神经元的FHN模型,且具有更好的稳定性,可以在一定的噪声强度范围内对输入信号进行有效地检测。     

基于ＦＨＮ神经元自适应多通道随机共振图像增强

为了解决图像受到采集设备以及外界噪声干扰，导致图像质量出现不同程度退化的问题，本文提出一种基于FHN神经元自适应的多特征并行通道级联随机共振图像增强方法。首先将原始输入图像分解为朝向、亮度以及亮度对比度等特征信息独立通道；然后构建基于遗传算法的自适应随机共振多特征并行通道对输入信息流并行处理机制，通过遗传算法求解每一个通道FHN神经元随机共振系统的最优参数，以实现特定噪声自适应最优FHN神经元参数设置，达到非线性FHN神经元、图像信号以及噪声之间的共振协同作用；最终对并行多通道的输出特征增强信息进行融合，再通过一个级联FHN神经元对融合数据做深度优化，实现FHN神经元非线性系统和输入带噪声输入图像的最佳匹配。本文以本实验室基于常规微生物学实验需要而采集的菌落图作为实验对象，采用仿自然光悬浮式暗视野系，以F/1.4大光圈镜头，对培养后皮氏培养皿上所生长的菌落进行了千万像素级的成像。通过与其它图像增强算法对比实验结果证明了本文方法的有效性和鲁棒性，PSNR值保持在35以上，对于在保持菌落图像细节的基础上对于原图像具有很好的增强效果。通过利用随机共振的机制，设计的多特征独立通道的自适应随机共振信息增强处理方法，为图像增强方法提供了新的思路以及后续的图像处理任务提供了基础。     

基于神经元阈上非周期随机共振机制的语音复原技术研究

应用随机共振机制.通过噪声能量来加强语音信号,改善低信噪比语音的输出质量.对FitzHugh-Nagumo(FHN)神经元模型中存在的阈上非周期随机共振现象进行了分析,根据其阈值特性,此二维神经元模型可被等价为两状态的阈值跨越非线性动力学系统.因此对含噪语音信号添加噪声,产生阈值化后的二值输出,经迭代收敛进入阈上非周期随机共振状态.在一个非零添加噪声强度上,含噪语音输出的互相关系数将达到最大值.通过语音复原的结果表明,本文方法对噪声的变化有更好的鲁棒性,尤其在强背景噪声下,随机共振方法较其他传统方法有更佳的复原效果.     

基于随机共振的气敏传感器阵列信号的识别研究

6只不同的碳纳米管气敏传感器用来识别甲醛、苯、甲苯、二甲苯4种挥发性有机物(VOC),传感器的响应输出在外加噪声的情况下通过单个阈值检测器,出现了阈上随机共振,使得传感器阵列采集的气体信号得到了增强.对不同种类的气体,最大互相关系数不同,而且对每类气体这个最大互相关系数是恒定的,因此能准确地用来代表不同种类的气体.实验结果表明基于随机共振的最大互相关系数法可以作为传感器阵列信号识别的一种新的算法,且准确度高.该方法在利用随机共振提高系统性能方面有很大的应用前景.     

一种基于非周期随机共振的微弱信号检测方法

随机共振滤波器能够在强噪声背景中跟踪微弱信号(非周期或周期信号)波形,并将幅度放大,这正好弥补了匹配滤波器在强噪声背景下检测性能的严重不足。本文给出了FHN随机共振的简化模型及计算方法,在深入分析FHN随机共振模型参数对其滤波性能影响的基础上,结合随机共振滤波器和匹配滤波器,提出了一种基于FHN随机共振模型检测确知信号的方法。首先将接收信号经FHN随机共振滤波器进行滤波,再进行匹配滤波,最后将滤波结果和门限进行比较判断信号是否存在。经过实验验证,该方法具有较好的效果。     

随机共振在强噪声环境中语音增强应用

传统的语音增强方法是在保持语音可懂度和清晰度的前提下,尽可能地从带噪语音中提取需要的纯净语音,而在强噪声环境中,语音信号表现为弱信号,去噪变得困难.基于Hodgkin-Huxley神经元阈上非周期随机共振原理,提出一种自适应调节,添加最佳噪声来进行语音随机共振,从而实现语音增强.Matlab实验结果表明,在强噪声环境中实现对语音信号增强,信噪比提高明显,且效果优于传统算法.方法具有一定鲁棒性,提供了在强噪声环境中增强语音信号的新思路.     

一种深度回声状态网络的输入尺度自适应算法

深度回声状态网络是回声状态网络与深度学习思想的结合,合理选取不同谱半径的内部状态矩阵和弱积分参数能有效增强深度回声状态网络的多尺度时域特性。利用数据可视化分析输出矩阵在不同网络层中的分布关系,发现高层网络中部分神经元处于饱和工作状态且该状态抑制了网络动态预测能力。提出一种深度回声状态网络的输入矩阵自适应算法,在对网络内部状态的均值和方差进行递推估计的基础上判断神经元饱和状态,通过自适应调整各层输入权重的值来增强神经元动态性。数值计算结果表明,基于输入尺度自适应算法的深度回声状态网络相对同等规模的单层回声状态网络对于动态系统的预测精度有成倍提升。     

二维映射神经元模型中的振动共振

在二维映射神经元模型中,同时施加高、低两种不同频率的刺激信号,以高频信号为调制信号,研究其对系统动力学特性的影响.仿真结果表明,通过调节高频信号的幅值为某一合适值,可以使得神经元膜电位对弱低频信号的线性响应达到最优,产生振动共振现象, 从而证实了高频刺激信号能够帮助神经元探测和传导弱低频信号.另外,还研究了模型和信号参数对系统共振特性的影响.     

基于马尔可夫链策略的传感器网络节点密度控制算法

如何保证多跳自组织网络的连通性是无线传感器网络研究的核心问题.在正态遮蔽衰退模型的基础上,借助状态转移概率矩阵提出一种基于马尔可夫链策略的节点密度控制算法.该算法利用一步转移概率矩阵求出信号在任意节点对之间互达的迟早概率,并通过令节点间信号互达的迟早概率趋近于1来逼近网络全连通时的最小节点密度.实验结果表明,与R.HEKMAT算法相比,所提出的算法能有效降低数值误差,从而提高算法结果与实验数据的吻合度.     

具有脉冲耦合复杂时滞动力网络的同步

考虑了一个具有脉冲耦合的复杂时滞动力网络的同步问题.基于脉冲时滞动力系统扩展的Halanay不等式,给出了网络同步的一个充分条件.所获结果表明,即使网络节点之间仅在一些离散时刻存在瞬时连接,网络仍然能够达到同步.进一步将所得结果应用于一个由混沌FHN神经元振子为动力节点所构成的一个无标度的动力网络,数值仿真结果表明了理...