第1章 绪论 1
1.1学习和记忆概述 1
1.2神经编码 4
1.3海马的编码研究 9
1.4神经计算中的非线性动力学 13
1.4.1神经系统与非线性动力学 13
1.4.2神经系统中的同步现象 16
1.4.3神经系统同步研究进展 17
1.5神经系统与随机共振 19
第2章 基础知识与基本概念 22
2.1神经元与突触结构 22
2.2动作电位及其离子机制 24
2.3突触可塑性与学习 27
2.3.1突触可塑性与机制 27
2.3.2 Hebb学习模型 30
2.4非线性动力学基础知识 31
2.4.1分岔与混沌 31
2.4.2同步 33
2.4.3随机共振 34
2.5编码处理技术 35
2.5.1放电序列提取 35
2.5.2频率计算与时间窗选取 36
2.5.3神经编码信息量的衡量 38
2.6小结 39
第3章 基于一种自适应突触学习规则的网络同步 41
3.1引言 41
3.2自适应突触学习模型 46
3.2.1学习模型算法设计 46
3.2.2学习算法的理论分析 47
3.3非对称神经网络模型 50
3.3.1 ML神经元模型 50
3.3.2改进的NW小世界网络模型构造 54
3.3.3学习过程中的神经元放电模式 59
3.3.4基于动态相关系数的同步分析 60
3.3.5同步轨道分析和系统分岔现象 62
3.4非全同神经网络模型 67
3.4.1学习过程中的神经元放电模式 67
3.4.2基于动态相关系数的同步分析 69
3.4.3同步轨道分析 70
3.4.4基于Poincare截面法的相同步 72
3.5小结 75
第4章 基于自适应突触学习的海马记忆模型 77
4.1引言 77
4.2海马的生理解剖与结构简化模型 81
4.3神经元分类及数学模型 85
4.4突触模型与突触后电流的时空整合 87
4.5海马系统模型中的随机共振现象 92
4.6自适应学习下的同步记忆仿真 97
4.7小结 99
本章参数附录 100
第5章 基于汉密尔顿原理的广义能量编码初探 103
5.1引言 103
5.2拉格朗日方程与汉密尔顿原理 104
5.3基于汉密尔顿原理的神经元模型及广义能量 111
5.4数值仿真及广义能量编码的讨论 115
5.5小结 117
结语 119
参考文献 121