هدف ما قانون تشدید آشوبی در یادگیری مخچه ای همراه پیاده سازی با Matlab
با توجه به فرضیه یادگیری مخچه ای، نورون های داخلی زیتونی برخلاف نرخ آتش زنی آنها، به نظر می رسد که سیگنال های خطای مقدار بالا را به کرتکس مخچه ای منتقل می کنند. تشدید آشوبی از طریق کوپلاژ الکتریکی بین نرون های زیتونی خلفی برای درک انتقال موثر سیگنال خطا توسط اسپایک های غیر همزمان پیشنهاد شده است.
در اینجا، نشان می دهیم که تشدید آشوبی پدیده ای پایدار بوده و به جزئیات مدل نورونی زیتونی بستگی ندارد. ثانیاً، نشان می دهیم که تشدید آشوبی یادگیری کنترل کننده نورونی را برای حرکات سریع دست ارتقا می دهد. علاوه براین، هنگامی که کوپلاژ و نویز بصورت همزمان در نظر گرفته می شوند، درمی یابیم که تشدید آشوبی محدوده شدت نویز را که در آن یادگیری موثر صورت می گیرد پهن تر می نماید. پیشنهاد می کنیم که از نقطه نظر کاری، فعالیت ضربه ای القا شده توسط آشوب می تواند اقتصادی تر از فعالیت القا شده توسط نویز باشد.
در اینجا یک مدل ساده از نورون های IO برای آزمایش این فرضیه که ضربات القا شده توسط کوپلاژ الکتریکی در نورون های IO قادر به بهبود پایدار یادگیری دستورات حرکتی پیچیده در مقایسه با ضربات ناشی از غیر آشوب می باشد، استفاده می کنیم. در شبیه سازی های ما، نورون های IO سیگنال های خطا را به مدل ایده آل قشر مخچه ای که یاد می گیرد از طریق یادگیری بازخورد خطا ارائه می دهند تا مدل ساده شده ای از دست انسان را در حرکت دستیابی سریع کنترل کنند.
قانون تشدید آشوبی در یادگیری مخچه ای همراه پیاده سازی با Matlab
The Role Of Chaotic Resonance In Cerebellar Learning
Published in: Neural Networks, Elsevier
Date of Publication: 2010
برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود