مدل‌سازی سیستم‌های بیولوژیکی
حسین بانکی کشکی؛ سیدعلی سیدصالحی
دوره 17، شماره 2 ، شهریور 1402، ، صفحه 100-110
چکیده
همآوایی نورونی بعنوان یکی از مهمترین پدیده‌های شناختی مغز انسان، در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. پدیده همآوایی اغلب در مدلهای نورونی گسسته و پیوسته یا سیگنال‌های تجربی ثبت‌شده از مغز مورد بررسی قرار می‌گیرد اما در این پژوهش، بر خلاف پژوهش‌های قبلی، پدیده همآوایی برای نخستین بار در وزن‌های شبکه‌های ...
بیشتر
همآوایی نورونی بعنوان یکی از مهمترین پدیده‌های شناختی مغز انسان، در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. پدیده همآوایی اغلب در مدلهای نورونی گسسته و پیوسته یا سیگنال‌های تجربی ثبت‌شده از مغز مورد بررسی قرار می‌گیرد اما در این پژوهش، بر خلاف پژوهش‌های قبلی، پدیده همآوایی برای نخستین بار در وزن‌های شبکه‌های عصبی مصنوعی در حال تعلیم مورد بررسی قرار گرفته است. یافتههای پژوهش نشان میدهد که همآوایی در وزن‌های این شبکهها، هم در حین یادگیری و هم در حالت بدون یادگیری اتفاق میافتد و از نوع همآوایی عمومی است. همچنین با افزایش میزان یادگیری در شبکه، میزان همآوایی در وزنها نیز افزایش مییابد. در این پژوهش همچنین روشی جدید برای تشخیص الگوهای همآوایی با استفاده از مشتق سیگنال و روش خوشهبندی سلسلهمراتبی ارائه میشود و یک شاخص نیز برای سنجش میزان همآوایی وزنها در لایههای مختلف شبکه عصبی معرفی میگردد. بررسی این شاخص نشان میدهد که وزن‌های لایههای نخستین شبکه در مقایسه با لایههای سطوح بالاتر بصورت معناداری همآوایی بیشتری دارند.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حسین بانکی کشکی؛ سیدعلی سیدصالحی
دوره 15، شماره 3 ، آذر 1400، ، صفحه 199-209
چکیده
ارائه‌ی مدلهای نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری ...
بیشتر
ارائه‌ی مدلهای نورونی جدید به منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش مدل نورونی جدیدی مبتنی بر رفتار آشوب‌گونه‌ی وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشار خطا ارائه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری است و توانایی بروز رفتارهای پیچیده و آشوبی را دارد. قابلیت یادگیری این امکان را به این مدل نورونی داده است که پدیده‌های شناختی مانند همآوایی نورونها را در شرایطی نزدیک به واقعیت شبیه‌سازی کند. مدل نورونی مذکور که از یک شبکهی عصبی جلوسوی سهلایه به دست آمده، دارای جاذبهای همزیست متعددی است که یادگیری را در بستر جذبهای مختلف امکانپذیر میکند. بررسی پارامترهای مدل نشان داده که بایفورکیشن نه تنها با تغییر پارامتر ضریب یادگیری روی میدهد، بلکه تحریک بیرونی نیز میتواند به عنوان یک پارامتر کنترل باعث تغییر رفتار مدل و بایفورکیشن شود. بنابراین این مدل میتواند در طراحی و مدل‌سازی روشهای درمانی برای اختلالات شناختی مورد استفاده قرار گیرد.
