噪声诱使模块化神经元网络产生随机多共振现象

首先,研究了噪声在多模块神经元网络中诱导的随机多共振现象.随机多共振现象是指存在不同的噪声强度,系统在这些噪声强度下对阈下信号的响应达到局部最优.其次,以FitzHugh-Nagumo神经元构成的模块化神经元网络为研究对象,通过数值模拟发现,神经元网络的系统响应随着噪声强度的增加多次达到局部最优,即产生随机多共振现象.同时,通过分析神经元网络平均膜电位的时序图,发现噪声通过诱导神经元网络在一个周期内产生多次发放进而诱导多次共振.最后,我们分析了两个子网络中加入不同强度的噪声时,噪声诱导神经元网络中的随机多共振现象.结果显示,当两个子网络加入不同强度的噪声时,随机多共振现象也会产生.     

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。     

传感器阵列中阈上随机共振现象的仿真研究

研究了具有阈值特性的传感器阵列中的随机共振现象.使用相关系统数被来衡量输入随机信号和输出响应之间的非线性匹配程度.这一测度反映了输出与输入之间的信息转换率,因此可被用来考察阈值系统中的随机共振现象.文中从单个阈值单元模型出发,通过对输出信号进行估计,得出了噪声作用下输出随机变量与输入随机变量之间的相关系数.仿真结果表明在该类系统中,不但存在有阈值下的随机共振现象,而且也存在阈值上随机共振现象.     

高斯白噪声对神经元映射模型动力学的影响*

研究了噪声引发的神经元相干共振现象。基于神经元二维映射模型,用高斯白噪声模拟生物神经系统中的环境噪声,通过数字仿真研究了噪声对神经元动力学特性的影响。研究发现,噪声可以提高静态神经元的可兴奋性,诱导其产生动作电位,当噪声达到某一适中强度时,动作电位的有序性可以达到最佳,产生相干共振现象。研究了系统参数的选取对神经元共振特性的影响,发现控制参数越接近分岔点,相干共振性越好。结果表明合适强度的噪声可以促进神经元的信息传递。     

多阈值系统中高斯混合噪声改善信息的传输

讨论高斯混合噪声下多阈值系统中的随机共振现象.对于单峰噪声,当输入信号在阈上时,互信息随着噪声的增强单调递减,噪声总是不利于信息的传输;当信号在阈下时,互信息随着噪声的增强先递增然后再递减,适量的噪声能改善信息传输,随机共振现象存在.对于双峰噪声,信号在阈下或阈上,噪声有时能够改善信息的传输,随机共振和阈上随机共振存在.这些结果说明多阈值系统中噪声改善信息的传输依赖于噪声类型,拓广了随机共振和阈上随机共振在多元信息传输中的应用.     

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.     

相关乘性和加性高斯白噪声激励下周期势系统的随机共振

研究了外加周期信号作用下,相关高斯乘性和加性白噪声激励下周期势系统的随机共振.利用线性响应理论,计算了系统输出信号的功率谱密度、振幅、相位差.研究结果表明:当加性噪声强度和关联系数不变的情况下,通过调整乘性噪声强度可以出现随机共振;关联系数的正负以及大小对随机共振的影响较小.当乘性噪声强度较小时,输出信号的振幅和相位差曲线有一个单峰出现,即出现随机共振现象,能量从噪声向信号进行转化.随着噪声强度的增大,随机共振现象消失,噪声由增大系统的有序程度渐渐变为增大系统的无序程度.     

突触噪声作用下的IF阈值神经元模型的随机共振

基于带阈值的积分放电模型研究了神经元在突触递质噪声和周期信号驱动下的随机共振现象.利用平均法得到系统输出幅值增益的精确表达式,考察了输出幅值增益与信号频率、噪声强度、相关时间及非对称度的关系.发现输出幅值增益随着这些参量的演化曲线在一定条件下呈非单调的,这些都表明在突触递质噪声和周期信号驱动下的神经发放确实存在随机共振现象.     

用同频色噪声驱动的双稳系统分离弱信号

设计了将线性滤波器与随机共振装置串联处理信号、噪声的装置.这一装置模拟了在周期信号与单色同频噪声作用下的随机共振系统.实验表明,这一设计十分有利于在强噪声弱信号输入下提高输出信噪比,是将弱信号从强噪声背景下分离出来的新的强有力的工具.对上述非线性系统产生随机共振的物理机制也进行了定性的说明.     

无标度生物神经元网络的相干共振分析

本文以神经元二维映射模型为节点,构造了一个具有无标度连接特性的生物神经元网络.用高斯白噪声模拟生物神经系统中的环境噪声,通过数字仿真研究了噪声对神经网络动力学行为的影响.噪声可以提高神经元的兴奋性,诱导神经元产生峰电位,当噪声强度为某一适当值时,峰电位序列的有序度可以达到最佳,从而产生相干共振现象.另外,研究表明无标度...     

Reconstruction of chaotic dynamics via a network of stochastic resonance neurons and its application to speech

Recently, a great deal of attention has been paid tostochastic resonance as a new framework to understand sensory mechanisms of biological systems. Stochastic resonance explains important properties of sensory neurons that accurately detect weak input stimuli by using a small amount of internal noise. In particular, Collins et al. reported that a network of stochastic resonance neurons gives rise to a robust sensory function for detecting a variety of complex input signals. In this study, we investigate effectiveness of such stochastic resonance neural networks to chaotic input signals. Using the Rössler equations, we analyze the network's capability to detect chaotic dynamics. We also apply the stochastic resonance network systems to speech signals, and examine a plausibility of the stochastic resonance neural network as a possible model for the human auditory system.     

离散时间系统中随机谐振研究

摘要：基于一种新的信噪比的定义讨论了在四种经典噪声下在离散时间系统中的随机谐振现象。当输入信号是阈上信号时,噪声总是在恶化信号的传输,即随着噪声强度增加,输出信噪比呈现单调递减的趋势。然而当输入信号是阈下信号时。适当的噪声能够引起系统最优反应,即随着噪声强度的增加,输出信噪比达到一个最大峰值,也即存在明显的随机谐振现象。随着非线性系统中阈值的增加,随机谐振现象的明显度降低,当最佳噪声强度在增加时,输出信噪比的最优值却在减少。文中结果也说明,基于新的信噪比的定义是可以用来度量一个离散时间系统的随机谐振现象,且随机谐振对噪声具有一定的鲁棒性,拓广了随机谐振在信息传输领域的应用。     

Adaptive stochastic resonance in noisy neurons based on mutual information

Noise can improve how memoryless neurons process signals and maximize their throughput information. Such favorable use of noise is the so-called "stochastic resonance" or SR effect at the level of threshold neurons and continuous neurons. This work presents theoretical and simulation evidence that 1) lone noisy threshold and continuous neurons exhibit the SR effect in terms of the mutual information between random input and output sequences, 2) a new statistically robust learning law can find this entropy-optimal noise level, and 3) the adaptive SR effect is robust against highly impulsive noise with infinite variance. Histograms estimate the relevant probability density functions at each learning iteration. A theorem shows that almost all noise probability density functions produce some SR effect in threshold neurons even if the noise is impulsive and has infinite variance. The optimal noise level in threshold neurons also behaves nonlinearly as the input signal amplitude increases. Simulations further show that the SR effect persists for several sigmoidal neurons and for Gaussian radial-basis-function neurons.     

随机信号在神经元网络中诱发的双空间相干共振

对确定性行为为静息的神经元网络施加随机信号进行控制,随着信号强度的增加,网络行为由无序到有序的空间行为一螺旋波再到无序,螺旋波的结构由复杂到简单再到复杂到简单的交替,由网络行为的空间结构函数计算出的信噪比会两次达到极大值,即发生了两次空间相干共振,结果不仅展示了该随机信号控制下的网络的动力学行为,还为通过施加控制因素诱导产生空间共振来提高神经系统的信息处理能力提供了可能的方法．     

极大并联阈值网络中噪声改善信号的相关性

讨论了极大并联阈值网络中噪声改善信号相关性问题。当输入噪声为单峰高斯噪声时，输入信号在阈下时噪声才能改善信号的相关性，即随机谐振现象存在。而当输入噪声为双峰高斯混合噪声时，不仅输入信号在阈下时随机谐振现象有时存在，而且输入信号在阈上时噪声往往也能改善信号的相关性，即阈上随机谐振现象存在。噪声改善信号相关性随着网络中单元数的调整而改善。这些结果进一步说明了随机谐振或阈上随机谐振对噪声分布的依赖性，同时也拓广了随机谐振或阈上随机谐振在数字信号处理方面的应用。     

双稳随机共振系统信号调制噪声效应用于弱信号检测

通过对双稳系统随机共振模型的数值分析，得出在双稳系统输出信号中，有一个正弦信号成分和一个表现为维纳过程的噪声成分分别与输入的正弦信号和白噪声相对应。通过选择合适的系统参数，可以减小系统输出中信号和噪声之间的耦合效应。该系统可以大大抑制噪声，并在双稳系统中产生信号调制噪声效应。然后对双稳系统的输出信号作功率谱分析。不但可以辨识出淹没在白噪声中的微弱正弦信号的频率，还可以较精确地估算出微弱正弦信号的幅值。数值仿真表明，双稳系统的信号调制噪声效应可用于多个微弱正弦信号的检测。     

基于级联随机共振的直接序列扩频信号的捕获方法

在直接序列扩频信号的捕获中,针对低信噪（SNR）比以及大频偏对信号捕获产生影响的问题,提出了一种基于级联随机共振的直接序列扩频信号的捕获方法。首先将输入信号通过部分匹配滤波器进行处理,当本地伪码和输入信号伪码相位对齐时,输出信号仅剩下了残余多普勒频偏;然后将该信号进行级联随机共振,从而提高信号的输入信噪比;最后通过快速傅里叶变换（FFT）谱分析,可以在频谱上得到清晰的谱峰,进而求出多普勒频偏值。通过理论分析和实验仿真可知,在输入信噪比为-26 dB的情况下,所提方法能够提高直接序列扩频信号的捕获灵敏度,并且通过两级级联随机共振系统后输出信噪比提高了15 dB左右;同时与传统捕获算法相比,该方法的正确检测概率提高了4 dB左右。所提方法不但能抑制噪声,而且能将部分噪声能量转换为信号能量,同时能够改善大多普勒频偏的影响,在捕获弱信号方面有着极大的优越性。     

基于小波变换和随机共振的微弱信号检测方法

根据随机共振的噪声选择性和频率敏感特性,提出了基于小波变换和随机共振的微弱信号检测方法.对含噪输入信号经多尺度小波变换分解为不同尺度频率的信号成分后,通过引入尺度收缩因子来调节各尺度信号成分的大小,再将不同尺度的分解信号作为双稳系统的输入,研究了不同尺度频率信号经收缩因子作用后对系统输出信噪比的影响.数值仿真结果表明,选取合适的尺度收缩因子,能有效提高系统输出的信噪比.     

Stochastic Resonance in Recurrent Neural Network with Hopfield-Type Memory

Stochastic resonance (SR) is known as a phenomenon in which the presence of noise helps a nonlinear system in amplifying a weak (under barrier) signal. In this paper, we investigate how SR behavior can be observed in practical autoassociative neural networks with the Hopfield-type memory under the stochastic dynamics. We focus on SR responses in two systems which consist of three and 156 neurons. These cases are considered as effective double-well and multi-well models. It is demonstrated that the neural network can enhance weak subthreshold signals composed of the stored pattern trains and have higher coherence abilities between stimulus and response.