神经元内在可塑性建模及在神经信息处理中的应用

对大脑的研究不仅具有重要的科学意义，而且也存在着孕育突破性技术的机遇。学习是神经系统中的一个非常重要的过程，近年来研究发现，不仅突触权值可以通过学习自适应地调解，神经元自身特性也可以通过学习自适应调解。文献中对突触可塑性的研究很多，但对神经元内在可塑性的研究相对来说还很少。本项目将研究神经元内在可塑性的建模与应用。研究目标和意义是双重的：一方面对神经元内在可塑性进行建模，并通过仿真研究神经元内在可塑性（以及内在可塑性和突触可塑性二者协同）在大脑进行神经信息处理中起到的可能作用；另一方面，借鉴协同可塑性的神经机理研究协同学习算法，以期获得更好的神经计算算法。协同学习算法的应用将主要考虑系统辨识和时间序列预测。通过本项目的研究将从理论和应用两方面增进对神经元内在可塑性以及协同可塑性在神经信息处理中作用的理解。

对大脑的研究不仅具有重要的科学意义，而且也存在着孕育突破性技术的机遇。大脑中的信息处理任务主要是由大量的神经元和连接它们的突触组成的神经网络执行的。学习是神经系统中的一个非常重要的过程，传统上关于生物神经系统的学习和记忆的理论几乎都是基于Hebb 的思想：记忆是存储在突触中的，而学习的过程也就是调整突触权值的过程。近年来研究发现，不仅突触权值可以通过学习自适应地调解，神经元自身特性也可以通过学习自适应调解，这种调节被称为神经元内在可塑性。神经元可以根据过去接收到的历史输入动态地调整其响应特性，以使得在外界环境和输入变化时，神经元脉冲发放率的平均值仍然能大致保持在一个相对恒定的数值，使得神经元可以总是用输入-输出响应曲线的最灵敏区域去和输入的分布的高概率区域相对应，使得神经元可以用最小的平均放电率实现最大限度地表示信息。文献中对突触可塑性的研究很多，但对神经元内在可塑性的研究相对来说还很少。神经元内在可塑性在神经信息处理中会起到什么样的作用呢？我们是否可以在人工神经网络中借鉴神经元内在可塑性机制呢？这是有趣的研究课题。本项目通过建模、理论分析、算法设计、计算机仿真的方式对此问题进行了研究。我们根据实验现象，提出了人工神经元激活函数和放电神经元的内在可塑性模型；构建了胶质细胞场模型，研究了胶质细胞和神经元内在可塑性在含噪信息处理、同步、信号传输等神经信息处理任务中的作用。提出了将人工神经元激活函数的自适应调节和权值调节的学习算法相结合的协同学习算法。协同学习算法主要被应用于系统辨识和时间序列预测。通过本项目的研究，从理论和应用两方面增进了对神经元内在可塑性以及协同可塑性在神经信息处理中作用的理解。在本项目资助下，项目组还对传感器网络中的分布式协同信息处理进行了研究。本项目的成果主要是论文发表，在本项目资助下，共发表论文31篇，其中SCI收录论文28篇。