基于辨识与控制的神经元网络模型特性分析-characteristic analysis of neural network model based on identification and control.docx

中文摘要大脑是由各种结构的神经元网络组成的复杂网络，当神经元参数或网络结构发生变化时，会使大脑产生异常的活动，导致神经疾病的发生。DBS 和TDCS 是治疗精神疾病的有效手段，通过电磁刺激使大脑活动恢复到正常状态。建立合适的数学模型来描述神经元及网络的内部参数、结构以及输入输出特性是理解DBS和TDCS等刺激作用机制和作用过程的关键。因此本文提出利用控制与辨识思想建立神经元及其网络模型，分析神经元网络结构对网络中神经元特性产生的影响，并研究单神经元和网络参数和结构的估计，模型重建以及闭环控制等问题。本文构建了不同结构的神经元网络模型来分析神经元参数及网络结构对同步特性的影响。利用H-R模型构建了34 种不同结构的三个神经元网络，并进行了理论和仿真分析，发现并证明了网络中的自耦合现象会降低网络中神经元之间的同步能力的规律。大脑神经元网络的参数和网络结构是未知且难以测量的。本文首次提出了桥式网络观测器的思想，根据正常网络和虚拟桥式网络之间的误差实现网络中的未知参数以及网络结构辨识，并根据辨识的结果设计自适应补偿策略将异常神经元网络调节至正常状态。仿真结果证明了所提方法的有效性。神经元和神经网络建模过程中可能会遇到采样周期过长，神经元内部结构未知，以及干扰过强等问题。本文首次采用中值估计结合自适应估计的方法解决了采样周期过长的问题；然后利用模糊观测器和人工神经网络观测器重构了未知结构和参数的神经元模型；并借助人工神经网络的思想实现神经元的未知输入的辨识和干扰的消除。仿真结果证明了所提方法的有效性。本文首次将闭环控制方法应用于DBS和TDCS控制策略的设计中，首先提出基于自适应参数辨识的闭环控制策略，实现外电场作用下的神经元模型的闭环控制；然后首次利用闭环迭代学习算法设计DBS控制策略，使神经元集群产生期望的周期动态特性；本文建立了基于输入输出的神经元集群整体模型，利用回归最小二乘方法实现了模型参数的动态辨识，并在此基础上设计控制器实现神经元集群状态的调节。方法解决了传统刺激方法需要极大依赖神经系统模型的问题。仿真结果证明了所提方法的有效性。本文的研究内容为今后设计DBS 和TDCS等控制策略奠定了理论基础。关键词：神经元模型,神经元网络,拓扑结构,混沌同步,辨识,控制ABSTRACTBrainisacomplexlargescalenetworkcomposedofmillionsofneuronalnetworkswithdifferentkindsoftopology.Thechangesofparametersortopologyinneuronalnetworks mayleadtoabnormalactionsofneuralsystem,which mightbethemechanismofneuraldiseases.NeuralelectricalstimulationmethodssuchasDBSandTDCSareeffectivetherapiestocurementaldiseasesbystimulatingthebraintoadjustthebrain activities backto normalcondition. During thestimulation process ofcuringmentaldiseases,itwillbehelpfultoachievebettereffectifwecanmaketheparametersinneuralsystem,thestructureofneuronalnetworksandtheinput-outputrelationshipclear.Sointhisdissertation,westudythesystemcomposedofneuronmodelsandnetworkmodelsintheviewofcontroltheorytoanalyzetheeffectof parametersandtopologyofneuronalnetworks.Moreover,somemethodsbasedon systemidentificationandcontroltheoryareproposedtosolvetheproblemsof parameterandstateestimation,modelrebuildinganddynamicaladjustmentinasingleneuronandneuronalnetworks.Firsttheeffectofneuronparametersandnetworktopologyonthesynchronizationofneuronalnetworksisstudiedinthi