基于速度梯度和过的FitzHugh-Nagumo神经元网络的参数估计

科学领域:

• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学

背景情况:

• 菲茨休-纳古莫神经元模型的动态网络对于理解神经动态至关重要.
• 由于未测量的状态和传感器噪声,这些网络中的参数估计具有挑战性.

研究的目的:

• 为FitzHugh-Nagumo神经网络开发一个强大的参数识别算法.
• 解决神经网络模型中未测量的变量和测量错误的挑战.

主要方法:

• 将FitzHugh-Nagumo网络转换为线性回归模型.
• 应用速度梯度方法来设计识别算法.
• 导出足够的条件,使参数估计趋同.

主要成果:

• 成功设计了FitzHugh-Nagumo神经网络的新型识别算法.
• 建立了足够的条件,以实现参数估计的非对称收.
• 计算机模拟证实了算法的有效性,并满足了趋同条件.

结论:

• 拟议的方法可以准确地估计FitzHugh-Nagumo神经网络的参数,尽管有测量噪声.
• 该算法允许可调节的识别精度和时间,增强其实际实用性.
• 这种方法为将数学神经模型与神经系统和人类大脑建模中的经验数据相结合提供了潜力.