KDDJun, 2021

非线性神经电路的细粒度系统识别

PDF
TL;DR本研究旨在探讨利用收集的神经元电信号数据，结合神经科学的领域知识，通过一定的条件，实现高维组合函数的稀疏非线性模型复原。研究发现，权重的符号约束是实现神经电路模型复原的必要条件，并在模拟生物电路实验中，通过理论和实验得出了相关结论，最终在小鼠视网膜的视神经元电路数据中对实验进行了案例研究，展示了本方法在实践中的潜力。
发现论文，激发创造
  • 基于频域支持的神经网络用于非线性动力系统辨识

    通过加入频率信息，我们构建了一种新的神经网络结构（FSNN），能够较好地适用于非线性系统识别，并在经验上进行了性质研究。

    May, 2023

  • 利用生成循环神经网络识别非线性动力系统及其在 fMRI 中的应用

    本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

    Feb, 2019

  • 基于多步神经网络的非线性动力系统数据驱动发现

    这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

    Jan, 2018

  • 大规模神经系统识别：分离 “何时” 和 “何地” 信息

    提出了一种卷积神经网络 (CNN) sparse 的架构，可扩展到数千个神经元和短期记录，可以端到端地训练，从而克服了 CNN 拟合神经数据中感受野位置估计的主要瓶颈，该模型的表现优于现有的小鼠初级视皮层系统识别模型。

    Nov, 2017

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 基于稀疏贝叶斯深度学习的动态系统识别

    本文提出了一种基于稀疏贝叶斯方法，用于处理深度神经网络在系统辨识中面临的过拟合、非线性输入回归选择和参数不确定性等挑战，此方法可行且有效，并在多个线性和非线性系统辨识实验中获得了好的仿真精度。

    Jul, 2021

  • 神经系统的系统辨识：如果我们才是，我们会知道吗？

    本文旨在评估神经网络模型与大脑功能的相似性，比较了几种系统辨识方法在验证不同结构模型上的效果，并指出这种方法的局限性。

    Feb, 2023

  • 利用神经网络进行连续时间系统辨识：模型结构和拟合标准

    本文提出了一种基于状态空间模型的、定制化神经模型结构及两种自定义拟合标准，通过优化隐藏状态与神经网络参数以最小化测量输出和估计输出之间的差异，同时保证优化状态序列与估计系统动态一致，从而证明了该方法的有效性，进而在三个案例研究中应用于系统辨识基准测试。

    Jun, 2020

  • 利用时序感知神经序列模型进行系统辨识

    本文介绍了一种基于时间的递归神经网络扩展模型，使其适用于不均匀采样的连续变量观测数据，并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。

    Nov, 2019

  • 神经葛兰杰因果关系

    利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

    Feb, 2018