نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• حسین بانکی کشکی ¹
• سیدعلی سیدصالحی ²

¹ گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

² دانشگاه صنعتی امیرکبیر، دانشکده مهندسی پزشکی

چکیده

ارائه مدل‌های نورونی جدید به‌منظور شبیه‌سازی پدیده‌های شناختی در مغز در سال‌های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش، مدل نورونی جدیدی مبتنی بر رفتار آشوبگونه وزن‌های شبکه‌های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس‌انتشارخطا، 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 شبکه عصبی جلوسوی سه‌لایه بدست آمده است، دارای جاذب‌های هم‌زیست متعددی است که یادگیری را در بستر جذب‌های مختلف امکان‌پذیر می‌کند. بررسی پارامترهای مدل نشان می‌دهد که بایفورکیشن نه تنها با تغییر پارامتر ضریب یادگیری روی می‌دهد، بلکه تحریک بیرونی نیز می‌تواند به‌عنوان یک پارامتر کنترل باعث تغییر رفتار مدل و بایفورکیشن شود، نکته‌ای که می‌تواند در طراحی و مدلسازی روش‌های درمانی برای اختلالات شناختی مورد استفاده قرار گیرد.

کلیدواژه‌ها

• مدل نورونی گسسته
• شبکه عصبی مصنوعی
• شناخت
• آشوب
• یادگیری
• هم‌آوایی

موضوعات

• شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی

عنوان مقاله [English]

A Novel Neuronal Model Based on Chaotic Behavior of Artificial Neural Networks

نویسندگان [English]

• Hossein Banki-Koshki ¹
• Seyyed Ali Seyyedsalehi ²

¹ Bioelectrics Department, Faculty of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran

² Faculty of Biomedical Engineering, Amirkabir University of Technology

چکیده [English]

The presentation of new neuronal models to simulate cognitive phenomena in the brain has attracted the research interests in recent years. In this study, a new neural model based on the chaotic behavior of weights of artificial neural networks during training by back-propagation algorithm is presented. This model is the first discrete neuronal model with learning ability and shows complex and chaotic behaviors. The learning ability of this model has enabled it to simulate cognitive phenomena such as neuronal synchronization in near-realistic conditions. The model, which is derived from a simple three-layered feed-forward neural network, has several coexisting attractors that make learning possible in various basins of attraction. The study of model parameters shows that bifurcation occurs not only by changing the learning rate, but also external stimulation can change the model behavior and bifurcation pattern. This point that can be used in modeling and designing new therapies for cognitive disorders.

کلیدواژه‌ها [English]

• Discrete Neuronal Model
• Artificial neural network
• Cognition
• chaos
• learning
• synchronization