黄富强；程世农 将尖峰网络作为高效的分布式控制器。 （英语） Zbl 1411.92008年 生物、网络。 113，编号1-2，179-190（2019）. 小结：在大脑中，神经元网络产生的活动被解码为感知和行动。神经网络的动力学如何支持这种解码是一个重大的科学问题。也就是说，虽然我们了解神经元以棘波形式产生活动的基本机制，但这些动力学是否反映了一个上覆的功能目标尚不清楚。在这篇论文中，我们从第一原理控制理论的观点来研究神经元动力学。具体来说，我们假设了一个目标，其中神经元尖峰活动被解码为控制信号，随后驱动线性系统。然后，利用理论神经科学最近提出的一个原理，我们优化了尖峰的产生，以便所讨论的线性系统实现参考跟踪。结果表明，这种优化导致了一种递归网络结构，其中每个神经元都具有集成动力学。该网络相当于一个高效的、基于事件的分布式控制器，如果这样做可以提高跟踪性能，则每个神经元（节点）都会产生一个峰值。此外，动力学具有固有的鲁棒性，因此，如果某些神经元发生故障，其他神经元将通过增加其活动来进行补偿，从而满足跟踪目标。 引用于2文件 MSC公司： 92秒20 生物研究、人工生命和相关主题中的神经网络 92C20美元 神经生物学 93元65角 离散事件控制/观测系统 关键词：尖峰网络；神经网络；解码；基于事件的控制 软件：宁戈 PDF格式BibTeX公司 XML格式引用 \textit{F.Huang}和\textit{S.Ching}，生物。赛博。113，编号1--2，179-190（2019；Zbl 1411.92008） 全文： 内政部 参考文献： [1] Todorov E，Jordan MI（2002），作为运动协调理论的最优反馈控制。《国家神经科学》5（11）：1226-1235·doi:10.1038/nn963 [2] Paul JW（1989）控制和系统识别的神经网络。摘自：1989年IEEE第28届决策与控制会议记录。IEEE，第260-265页 [3] Narendra KS，Parthasarathy K（1990），使用神经网络识别和控制动力系统。IEEE Trans神经网络1（1）：4-27·数字对象标识代码：10.1109/72.80202 [4] Eliasmith C，Anderson CH（2004）《神经工程：神经生物系统中的计算、表示和动力学》。麻省理工学院出版社，剑桥 [5] Hunt KJ、Sbarbaro D、Zbikowski R、Gawthrop PJ（1992）控制系统的神经网络——一项调查。自动化28（6）：1083-1112·Zbl 0763.93004号 ·doi:10.1016/0005-1098（92）90053-I [6] Miller WT、Werbos PJ、Sutton RS（1995）《控制神经网络》。麻省理工学院出版社，剑桥·Zbl 0831.68083号 ·数字对象标识代码：10.1007/978-3-642-57760-4 [7] Lewis FW、Jagannathan S、Yesildirak A（1998）机器人操纵器和非线性系统的神经网络控制。博卡拉顿CRC出版社 [8] Lukoševičius M，Jaeger H（2009），递归神经网络训练的水库计算方法。计算机科学第3版（3）：127-149·Zbl 1302.68235号 ·doi:10.1016/j.cosrev.2009.03.005 [9] Bialek W、Rieke F、Van Stevenick De Ruyter RR、Warland D（1991）《读取神经代码》。《科学》252（5014）：1854-1857·doi:10.1126/science.2063199 [10] Abbott LF，DePasquale B，Memmesheimer R-M（2016），建立尖峰模型神经元的功能网络。国家神经科学19（3）：350-355·doi:10.1038/nn.4241 [11] Rao RPN，Ballard DH（1999）《视觉皮层中的预测编码：一些超经典感受野效应的功能解释》。《自然神经科学》2（1）：79·doi:10.1038/4580 [12] Bastos AM、Usrey WM、Adams RA、Mangun GR、Fries P、Friston KJ（2012）预测编码标准微电路。神经元76（4）：695-711·doi:10.1016/j.neuron.2012.10.038 [13] Boerlin M，Denève S（2011）基于峰值的人口编码和工作记忆。公共科学图书馆计算生物学7（2）：e1001080·doi:10.1371/journal.pcbi.1001080 [14] Martin B、Christian KM、Sophie D（2013），平衡峰值网络中动态变量的预测编码。公共科学图书馆计算生物学9（11）：e1003258·doi:10.1371/journal.pcbi.1003258 [15] Fuqiang H，James R，ShiNung C（2017）优化用于解码和控制的尖峰网络的动力学。In:2017年美国控制会议（ACC）。IEEE，第2792-2798页 [16] Abbott LF（1999）Lapicque引入了完整的模型神经元（1907）。大脑研究公牛50（5-6）：303-304·doi:10.1016/S0361-9230（99）00161-6 [17] Bekolay T、Bergstra J、Hunsberger E、DeWolf T、Stewart TC、Rasmussen D、Choo X、Voelker A、Eliasmith C（2014）《Nengo：构建大规模功能性脑模型的蟒蛇工具》。前Neuroinf 7:48·doi:10.3389/fninf.2013.00048 [18] Waegeman T、Schrauwen B等人（2012）通过在线学习逆模型进行反馈控制。IEEE Trans Neural Netw学习系统23（10）：1637-1648·doi:10.1109/TNNLS.2012.2208655 [19] Olfati-Saber R，传真JA，Murray RM（2007）《网络化多智能体系统中的共识与合作》。IEEE 95（1）会议记录：215-233·Zbl 1376.68138号 ·doi:10.1109/JPROC.2006.887293 [20] Seuret A、Prieur C、Tarbouriech S、Zaccarian L（2016）饱和线性系统基于Lq的事件触发控制器协同设计。自动化74:47-54·Zbl 1348.93191号 ·doi:10.1016/j.automatica.2016.07.004 [21] Peter D，Abbott LF（2001）《理论神经科学》，第10卷。麻省理工学院出版社，剑桥·Zbl 1051.92010年 [22] Kalman RE（1963）线性动力系统的数学描述。J Soc Ind应用数学Ser A控制1（2）：152-192·Zbl 0145.34301号 ·数字对象标识代码：10.1137/0301010 [23] Johnson EC，Jones DL，Ratnam R（2016）最小误差、能量约束的神经代码是一种瞬时速率代码。计算机神经科学杂志40（2）：193-206·doi:10.1007/s10827-016-0592-x 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。