Back to search

Democritus University of Thrace (DUTH)

Η διαδικασία μάθησης νευρωνικών συστημάτων με χημικούς δείκτες σύνδεσης

Abstract

dc:description

Στη διατριβή αυτή μελετήθηκε η δυναμική διαφόρων νευρωνικών δικτύων, μεμονωμένων ή μη και, κυρίως, νευρωνικών δικτύων που χαρακτηρίζονται από χημικούς δείκτες. Όλα τα νευρωνικά δίκτυα διέθεταν νευρώνες με τυχαίες συνδέσεις μεταξύ τους. Ο αριθμός των ενεργών διεγερτικών ή ανασταλτικών δυναμικών ανά νευρώνα χαρακτηριζόταν από κατανομή Poisson ή Gauss, αλλά με τις ίδιες δομικές παραμέτρους ώστε να είναι δυνατή η σύγκριση στις δυναμικές συμπεριφορές τους. Κατά το σχεδιασμό των νευρωνικών δικτύων με χημικούς δείκτες, η τυχαία σύνδεση διατηρήθηκε, αν και μόνο μεταξύ νευρώνων που έφεραν όμοιο δείκτη με το δικό τους. Επιπλέον, εκτός από τις συνδέσεις μεταξύ των νευρώνων, μελετήθηκαν τα φαινόμενα σταθερής κατάστασης δράσης και υστέρησης. Σε όλα τα θεωρητικά μοντέλα που εξετάσαμε, τόσο τα απλά όσο και αυτά με χημικούς δείκτες, η κατανομή Poisson εμφανίζει μεγαλύτερη δραστηριότητα συγκριτικά με την κατανομή Gauss που, αν και διαθέτει περισσότερες συνδέσεις (η αύξηση του αριθμού των εσωτερικών συνδέσεων συνεπάγεται αύξηση της δραστηριότητας), αυτές εξαλείφονται λόγω της ύπαρξης τυχαιότητας. Σε νευρωνικά μοντέλα με χημικούς δείκτες τα διαγράμματα φάσης με τους βρόχους υστέρησης, όπως αυτά προέκυψαν μετά την εξέταση 30 και πλέον νευρωνικών δικτύων με διαφορετικές δομικές παραμέτρους, έδειχναν τον αριθμό των εξωτερικών διεγερτικών / ανασταλτικών δυναμικών που απαιτούνται προκειμένου η σταθερή δράση του δικτύου να μεταπέσει από τη μια κατάσταση στην άλλη. Η αύξηση του αριθμού των δεικτών που χαρακτηρίζουν ένα δίκτυο συνεπάγεται αύξηση των σταθερών καταστάσεων, με αποτέλεσμα την καλύτερη επεξεργασία των πληροφοριών σε διάφορα νευρωνικά επίπεδα. Όπως προέκυψε από τις γραφικές παραστάσεις της αναμενόμενης τιμής της δράσης <αn+1> συναρτήσει της προηγούμενης τιμής αn, τα νευρωνικά δίκτυα με κατανομή σύνδεσης Gauss απαιτούν μεγαλύτερο ποσοστό ενεργοποιημένων νευρώνων για να δραστηριοποιηθούν συγκριτικά με δίκτυα που έχουν κατανομή Poisson. Όμοια συμπεριφορά ακολούθησε και κάθε χημικός δείκτης χωριστά. Επίσης, βρέθηκε, και αυτό είναι χαρακτηριστικό, ότι σε νευρωνικά δίκτυα με 3 χημικούς δείκτες και υποσυστήματα που άλλα χαρακτηρίζονται από κατανομή Gauss και άλλα από κατανομή Poisson χρειάζεται ένα μόνον υποσύστημα να χαρακτηρίζεται από κατανομή Poisson για να επιτύχει διατηρούμενη δράση.

Degree

thesis:*
Grantor dc:publisher
Democritus University of Thrace (DUTH)
Year dc:date
2005

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Sivridis, Leonidas
  • Σιβρίδης, Λεωνίδας

Subjects

dc:subject × 18

Rights

Language dc:language
gre

Identifiers

dc:identifier.*
Identifier
10.12681/eadd/17505

Chain of custody

source
Harvested from
Greek National Archive of PhD Theses
Base URL
phdtheses.ekt.gr/eadd_oai/request
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Sivridis, Leonidas; Σιβρίδης, Λεωνίδας. Η διαδικασία μάθησης νευρωνικών συστημάτων με χημικούς δείκτες σύνδεσης. Democritus University of Thrace (DUTH), 2005. http://hdl.handle.net/10442/hedi/17505