一类神经场方程的脉冲行波解.pdfVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
摘 要 神经场模型在描述一系列神经生物现象的动力学机制方面起着重要的作用, 其可以 表现出孤立子行波与脉冲、定常脉冲、空间局部化振荡、螺旋波及图灵状斑图等时空动 力学性态, 在初级视觉皮层的方向调谐、短时记忆、头部方向控制及运动知觉等方面有 着广泛的应用. 本文主要对关联函数为多参数振荡衰减函数, 增益函数为非饱和分段线性函数的神 经场方程的脉冲行波解进行研究. 首先, 利用傅立叶变换及其反变换将神经场方程转化为等价的不同区间上形式不同, 但满足一定边界条件的高阶常微分方程, 并就增益函数为 Heaviside 函数情形, 先对相 应的边值问题进行求解, 然后利用定常脉冲解的特点得到了一个脉冲函数, 通过对这个 脉冲函数极值的分析得到了定常脉冲解的存在性. 其次, 进一步对耦合函数的参数进行限制, 给出了此时定常单脉冲解存在的一个充 分条件, 通过数值模拟, 我们提出了一个定常单脉冲解存在的充要条件的猜想; 随后通过 对扰动后方程的线性化, 得到某个紧线性算子, 通过对这个线性算子特征值的分析, 得 出了相应定常单脉冲解的线性稳定性. 和现有参考文献相比, 本文对耦合函数的参数的 限制有所放松, 所得定常单脉冲解的存在性及其线性稳定性结论是相关结果的推广与改 进. 最后, 对多参数振荡衰减关联函数情形的神经场方程给出了行波解的存在性及其波 速刻画. 关键词: 神经场方程定常脉冲解 行波解 存在性 稳定性 I Analysis of the dynamical mechanisms underlying spatially structured activity states in neural tissue is crucially important for understanding a wide range of neurobiological phenomena, both naturally occurring and pathological. Neural field models can exhibit a rich repertoire of spatiotemporal dynamics, including solitary traveling fronts and pulses, stationary pulses and spatially localized oscillations(breaters), spiral waves and Turing- like patterns. In recent years, neural fields have been used to model orientation tuning in primary visual cortex, short term working memory, control of head direction, motion perception and so on. We mainly studied the standing pulse solution of neural field equation with multi- parameter oscillatory connection functions and nonsaturating piecewise-linear gain func- tion. First of all, we transformed the neural field equation into higher order ordinary differential equation(ODE) with Fourier transform and its inverse transform, while the ODE had different forms in different section, but satisfied some boundary conditions. Then we worked with the boundary value problem(BVP) when the gain function was

您可能关注的文档

文档评论(0)

hp20083 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档