Badanie właściwości asocjacyjnych maszyny LSM złożonej z neuronów Hodgkina-Huxleya

• Autorzy: Muszyński, S. , Kamiński, W. A.

Warianty tytułu

EN

Studies on the association properties of the LSM network of the Hodgkin-Huxley neurons

• Języki publikacji: PL

Abstrakty

PL

Praca zawiera wyniki symulacji, przeprowadzonych w czasie badania podstawowych zdolności asocjacyjnych sieci Liquid State Machine (LSM), zbudowanej na neuronach Hodgkina-Huxleya. Przebadano również możliwość zastosowania algorytmu Hebba w procesie uczenia takiej sieci.

EN

The aim of this work was to examine the Hebbian learning capabilities of the new neural microcircuit model called Liquid State Machinę (LSM) build on Hodgkin-Huxley neurons. LSM network does not require a task-dependent construction of a neural circuit, and has the real-time computing capability.

Słowa kluczowe

PL

Liquid State Machine; neurony Hodgkina-Huxleya; uczenie nienadzorowane; odległość Hamminga

EN

Liquid State Machine; Hodgkin-Huxley neurons; unsupervised learning; hamming distance

• Czasopismo: Bio-Algorithms and Med-Systems
• Rocznik: 2005
• Tom: Vol. 1, no. 1/2
• Strony: 27--30
• Opis fizyczny: Bibliogr. 14 poz., rys., wykr.

Twórcy

autor

Muszyński, S.

• Katedra Fizyki, Akademia Rolnicza, Lublin,

autor

Kamiński, W. A.

• Zakład Fizyki Systemów Złożonych, Uniwersytet Marii Curie-Skłodowskiej, Lublin,

Bibliografia

• 1. Obrach 1: The Neuropsychological Theories of Lashley and Hebb, University Press of America, Lanham 1998.
• 2. Amit D. J.: Simulation in neurobiology - theory or experiment?, TINS, 21: 231-237,1998.
• 3. Hansel D., Sompolinsky H.: Chaos and synchrony in a model of a hypercolumn in visual cortex, Journal of Computational Neuroscience, 3:7-34,1996.
• 4. Maass W., Markram H.: Real-time computing without stable states: A new framework for neural computation based on perturbations, Neural Computation, 14(11): 2531-2560,2002.
• 5. Brown T. H., Chattatji S.: Hebbian synaptic plasticity, In: Domany E. (ed.): Models of Neural Networks II, Springer-Verlag, New York, 1995.
• 6. Bower J. M., Beeman D.: The Book of GENESIS. Exploring Realistic Neural Models with the General Neural Simulation System, Springer-Verlag, New York 1995.
• 7. Hertz J., Krogh A., Palmer R. G.: Wstęp do teorii obliczeń neuronowych, WNT, Warszawa 1993.
• 8. Brost A, Theunissen F. E.: Information theory and neural coding, Nature, 2(11): 947-952,1999.
• 9. Amit D. J., Brunei N.: Dynamics of a recurrent network of spiking neurons before and following learning, Network: Computation in Neural Systems, 8:373-404,1997.
• 10. Maass W., Markram H.: Synapses as dynamic memory buffers, Neural Networks, 15:1 55-161, 2002.
• 11. Jaeger H.: The Echo State approach to analyzing and training recurrent neural network, GMD Technical Report 152, German National Institute for Computer Science, 2001.
• 12. Gunay C: Realization of a spiking neuroidal model: Symbol processing with biologically constrained connectionist networks, Technical Report TR-2003-2-1, University of Louisiana, Lafayette 2002.
• 13. Goldenholtz D.: Liquid computing: A real effect, Technical Report BE707, Boston University, Department of Biomedical Engineering, Boston 2002.
• 14. Wilson E. C: Parallel implementation of a large scale biologically realistic neocortical neural network simulator, PhD Thesis, University of Nevada, Reno 2002.