项目名称: 神经高斯随机场的建模、分析及应用

项目编号: No.61273309

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 卢文联

作者单位: 复旦大学

项目金额: 60万元

中文摘要: 本项目的目标是基于计算神经模型,通过构建输入到输出神经放电点过程的激发率的期望、方差(变异系数)和相关系数的映射,建立新的神经高斯随机场模型,为研究计算神经科学建立一个新平台,利用数学和统计的工具分析计算神经科学中一些热点问题,并应用于分析生物数据。我们希望做到:(1)、利用相关系数的发展方程研究神经同步发放链的演化和时空分布;(2)、基于高斯场和信息理论分析神经网络中的信息传递;(3)、利用Young测度和放松优化理论研究如何在噪音环境中实现精确的神经控制 ;(4)、发展高斯随机场的学习算法,通过输入输出放电信号的相关系数研究STDP;(5)、基本建立基于神经高斯随机场的fMCI数据处理和分析框架。我们希望通过该模型的建立和研究,能提供一类模型和方法,为神经计算科学与人工神经网络理论之间隔阂找一个连接的桥梁。

中文关键词: 高斯神经场;协调性;神经-运动控制;基因影像;智能网络系统

英文摘要: The goal of the project is to establish a new neural Gaussian random field model by constructing input-output mapping of the expectations, variances (or equivalently coefficients of varation) and the coefficients of correlation of the spiking rates, based on the well-known computational neuronal models. By this way, we aim to construct a novel research platform, on which the well-developed mathematical and statistic tools can be utilised to study a number of hot topics in the computational neuroscience and treat biological data of neural activities. Our tasks include: (1). We are to investigate the spatial-temporal properties of neural synfire chain by studying the evolution and distribution of the correlation coefficients in the model; (2). We discuss the information transfer in the neural network via the Gaussian distributions of the neural dynamics; (3). We use the Young measure and relax optimization theory to realize precise neural control in a noisy circumstance; (4). We will develop learning algorithms of Gaussian random field, in particular a learning approach based on the input-ouput correlation to analyze STDP; (5). We are to provide a fundamental framework of the procssing and analyzing fMCI data based on neural Gaussian random field theory. We expect that the results of the project can provide a clas

英文关键词: Gaussian neural field;coordination;neuro-motion control;genetic-imaging;intelligent network systems

成为VIP会员查看完整内容
0

相关内容

【ICLR2022】图神经网络复杂时间序列建模
专知会员服务
88+阅读 · 2022年4月15日
自编码器26页综述论文:概念、图解和应用
专知会员服务
27+阅读 · 2022年3月5日
专知会员服务
48+阅读 · 2021年8月29日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
44+阅读 · 2021年8月5日
专知会员服务
48+阅读 · 2021年8月4日
【经典书】高维概率数据科学应用导论,301页pdf
专知会员服务
87+阅读 · 2021年6月17日
专知会员服务
143+阅读 · 2021年2月3日
【动态】第十二期可视化与可视分析国际学术报告成功举办
中国图象图形学学会CSIG
1+阅读 · 2022年3月16日
【预告】可视化与可视分析国际学术报告系列第九期将于1月20日举办
中国图象图形学学会CSIG
0+阅读 · 2022年1月12日
经典重温:卡尔曼滤波器介绍与理论分析
极市平台
0+阅读 · 2021年10月25日
干货 | 深入理解深度学习中的激活函数
计算机视觉life
16+阅读 · 2019年1月29日
深度 | 变分自编码器VAE面临的挑战与发展方向
机器之心
16+阅读 · 2018年3月21日
傅里叶变换和拉普拉斯变换的物理解释及区别
算法与数学之美
11+阅读 · 2018年2月5日
CNN、RNN在自动特征提取中的应用
乌镇智库
14+阅读 · 2017年8月4日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
26+阅读 · 2020年2月21日
Arxiv
110+阅读 · 2020年2月5日
小贴士
相关VIP内容
【ICLR2022】图神经网络复杂时间序列建模
专知会员服务
88+阅读 · 2022年4月15日
自编码器26页综述论文:概念、图解和应用
专知会员服务
27+阅读 · 2022年3月5日
专知会员服务
48+阅读 · 2021年8月29日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
44+阅读 · 2021年8月5日
专知会员服务
48+阅读 · 2021年8月4日
【经典书】高维概率数据科学应用导论,301页pdf
专知会员服务
87+阅读 · 2021年6月17日
专知会员服务
143+阅读 · 2021年2月3日
相关资讯
【动态】第十二期可视化与可视分析国际学术报告成功举办
中国图象图形学学会CSIG
1+阅读 · 2022年3月16日
【预告】可视化与可视分析国际学术报告系列第九期将于1月20日举办
中国图象图形学学会CSIG
0+阅读 · 2022年1月12日
经典重温:卡尔曼滤波器介绍与理论分析
极市平台
0+阅读 · 2021年10月25日
干货 | 深入理解深度学习中的激活函数
计算机视觉life
16+阅读 · 2019年1月29日
深度 | 变分自编码器VAE面临的挑战与发展方向
机器之心
16+阅读 · 2018年3月21日
傅里叶变换和拉普拉斯变换的物理解释及区别
算法与数学之美
11+阅读 · 2018年2月5日
CNN、RNN在自动特征提取中的应用
乌镇智库
14+阅读 · 2017年8月4日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员