一种神经元系统参数估计技术技术方案

本发明专利技术公开了一种神经元系统参数估计技术。针对一类生物神经元系统，对其通式进行模型变换得到适用于递推最小二乘算法参数估计的标准形式，通过采集输入输出数据，构造递推最小二乘算法所需信息，最后在线估计系统参数。该发明专利技术技术具有在线估计、实现简单的优点，可作为估计一般生物神经元系统参数的重要手段。

A parameter estimation technique for neuron system

The invention discloses a parameter estimation technique of a neuron system. For a class of biological neuron system, the general formula of model transformation is applicable to the standard form of recursive least squares algorithm for parameter estimation, through the acquisition of input and output data structure, the recursive least squares algorithm for estimating system parameters online information, finally. The invention has the advantages of on-line estimation and simple realization, and can be used as an important means for estimating the parameters of a general biological neuron system.

【技术实现步骤摘要】
一种神经元系统参数估计技术
技术介绍
目前，许多生物神经元系统的控制理论研究多数是建立在系统模型参数已知的情况下来进行分析，但实际中系统模型参数往往未必精确已知，所以神经元系统参数估计成为重要的研究课题之一。最小二乘算法是一种重要的参数估计手段，到目前为止，国内外学者针对不同需求或应用场合，提出并发展了不少最小二乘算法，其中递推最小二乘算法由于其分析简单、实现容易而受到广泛应用。研究表明，通过设置生物神经元系统的相关参数，系统会呈现出混沌状态，而混沌现象在化学、信息科学、保密通信等领域存在着潜在的应用价值，所以研究混沌生物神经元系统的参数估计具有重要意义。迄今为止，虽然存在一些混沌生物神经元系统的参数估计方法，如自适应同步算法等，但是这些算法较复杂、计算量大、需要利用同步控制来估计参数，存在一定局限性。本专利技术将提供一种可在线估计、简单方便的神经元系统参数估计技术。
技术实现思路
本专利技术的目的在于克服现有神经元系统参数估计算法结构复杂、计算量大等缺点，利用递推最小二乘法可在线辨识、实现简单方便的优点，提出一种新型的神经元系统参数估计技术。本专利技术采用的技术方案包含如下步骤：步骤1：模型变换。一般生物神经元系统可描述为：其中，x＝[x1(t)，…，xn(t)]T为系统的状态变量；ki(i＝1，2，…，n)为系统给定输入；hi(x)(i＝1，2，…，n)为第i个神经元系统的非线性函数；pij(i＝1，2，…，n，j＝1，2，…，n)为第i个神经元和第j个神经元之间的连接权系数；sij(x)(i＝1，2，…，n，j＝1，2，…，n)为第i个神经元和第j个神经元之间的激活函数；ωi(t)(i＝1，2，…，n)为第i个神经元的外部噪声。将上述生物神经元系统转化为如下估计标准形式：其中，θ＝[p11p12…p1np21p22…p2n…pn1pn2…pnn]T步骤2：参数估计。为了估计参数向量θ，采用下述递推最小二乘算法：(a)参数初始化。设参数估计值为取最大迭代次数为tmax，t＝0，初始参数估计为协方差矩阵为P(0)＝106I，其中1＝[11…1]T，I为单位矩阵。(b)采集数据并构建输出序列Y(t)与可测信息量(c)按下述公式计算增益向量L(t)及协方差阵P(t)：(d)更新参数估计值(e)令t：＝t+1，若t＜tmax，转步骤(b)，继续进行递推计算；反之，转步骤3。步骤3：停止计算，得到最终估计的参数值本专利技术与已有估计算法相比具有以下优点：1.本专利技术可在线估计参数、实现简单方便；2.在随机噪声干扰下，仍能准确估计神经元系统参数；3.参数估计值能快速收敛到真实参数值。附图说明图1是基于本专利技术方案的参数估计技术流程图。图2是实施例中基于本专利技术方案的参数估计迭代过程曲线图。具体实施方式为了更好地理解本专利技术的技术方案，以下对实施方式作进一步的详细描述，并结合一个应用实例来说明具体实施方式，但不限于此。实施例：Hindmarsh-Rose神经元系统是一种重要的生物神经元系统，其数学模型方程如下：其中，x1，x2，x3为状态变量；a，b，d，r均为系统参数；I为该神经元的外部刺激电流，该实施例中取I＝4；ωi(t)(i＝1，2，3)为零均值、方差为0.01的白噪声序列。当Hindmarsh-Rose神经元系统参数选取为a＝1，b＝3，d＝5，r＝0.006时，系统呈现混沌状态。本例目的在于辨识系统的4个参数a，b，d，r。本专利技术技术工作流程如图1所示，具体实施方式可以分为以下几步：步骤1：模型变换。将Hindmarsh-Rose神经元模型转化为如下标准形式：其中，θ＝[abdr]T，步骤2：参数估计。为了估计参数向量θ，采用下述递推最小二乘算法：(a)参数初始化。设参数估计值为取最大迭代次数为tmax＝200，t＝0，初始参数估计为协方差矩阵为P(0)＝106I，其中1＝[1111]T，I为单位矩阵。(b)采集数据(这里采用四阶Runge-Kutta法求解神经元系统方程得到)，构建输出序列Y(t)与可测信息量(c)按下述公式计算增益向量L(t)及协方差阵P(t)：(d)更新参数估计值(e)令t：＝t+1，若t＜tmax，转步骤(b)，继续进行递推计算；反之，转步骤3。步骤3：停止计算，得到最终估计的参数值图2显示了参数估计迭代过程曲线。由图可见，大约迭代100步后所有参数估计值就近似收敛于真实值。本文档来自技高网...

【技术保护点】
一种神经元系统参数估计技术，其特征是所述技术包括如下步骤：步骤1：模型变换。一般生物神经元系统可描述为：

【技术特征摘要】
1.一种神经元系统参数估计技术，其特征是所述技术包括如下步骤：步骤1：模型变换。一般生物神经元系统可描述为：其中，x＝[x1(t)，…，xn(t)]T为系统的状态变量；ki(i＝1，2，…，n)为系统给定输入；hi(x)(i＝1，2，…，n)为第i个神经元系统的非线性函数；pij(i＝1，2，…，n，j＝1，2，…，n)为第i个神...

【专利技术属性】
技术研发人员：廖芳，楼旭阳，赵丽萍，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32