Том 32, № 2 (2024)

Международная конференция «Нейроинформатика» — ежегодный междисциплинарный научный форум, организуемый Российской ассоциацией нейроинформатики (РАСНИ), посвященный теории и применениям искусственных нейронных сетей, проблемам нейробиологии и биофизических систем, искусственному интеллекту, адаптивному поведению и когнитивным исследованиям.

Цель работы состоит в модификации механизма обучения коллективного классификатора для обеспечения возможности его обучения только за счёт популяционной динамики, без внешнего сортирующего устройства. Коллективный классификатор представляет собой ансамбль неидентичных простых элементов, не имеющих собственной динамики и переменных параметров, обучаемый путём изменения состава ансамбля, что достигалось в предшествующей литературе путём «селекции» элементов ансамбля сортирующим устройством. Методы. Модель популяционной динамики коллективного классификатора дополнена «подсистемой обучения», которая управляется последовательностью обучающих примеров и, в свою очередь, управляет силой внутривидовой конкуренции в популяционной динамике. Динамика подсистемы обучения сводится к линейному отображению со случайными параметрами, выражаемыми через обучающие примеры. Решение отображения представляет собой марковский случайный процесс, стремящийся к стационарному, для которого аналитически найдено математическое ожидание, а дисперсия в рассматриваемом пределе стремится к нулю, что позволяет приближённо описывать связанную популяционную динамику как детерминированную, используя результаты из предшествующей литературы. Результаты. Аналитически показано и проиллюстрировано численным моделированием, что решающее правило, порождаемое классификатором, сходится в процессе обучения к правилу Байеса в рамках допущений, не отличающихся принципиально от принятых в имеющейся литературе по коллективным классификаторам; реализация требуемой конкурентной динамики не подразумевает использования внешнего сортирующего устройства. Заключение. Предложена концептуальная модель коллективного классификатора, обучение которого полностью обеспечивается собственной популяционной динамикой. Как и в предшествующей литературе, предполагается возможность реализации такого классификатора в виде ансамбля живых клеток с синтетическими генными структурами, если будет создан механизм популяционной динамики с внутривидовой конкуренцией, управляемой через синтетическую генную сеть.

Целью работы является выявление и изучение особенностей движения вязкой жидкости, имеющей свободную границу и испытывающей периодические по времени воздействия, которые характеризуются отсутствием выделенного направления в пространстве. Методы. Использованы аналитические методы исследования нелинейных задач, краевых задач для системы уравнений Навье–Стокса и неразрывности — метод возмущений (метод малого параметра), метод Фурье (метод разделения переменных), усреднение, построение и изучение асимптотических формул. Результаты. Поставлена и решена новая задача о движении вязкой жидкости. Построены и проанализированы асимптотические представления найденного решения. Обнаружены новые гидромеханические эффекты. Заключение. Работа выполнена в развитие перспективного направления в механике жидкости — изучения динамики гидромеханических систем при периодических воздействиях. Полученные результаты могут использоваться, в частности, в дальнейших исследованиях нетривиальной динамики гидромеханических систем, при разработке методов управления гидромеханическими системами. 

Цель данного исследования заключается в разработке классификатора, способного в режиме реального времени определять типичные абсансы на основе данных электроэнцефалограммы, с использованием модели опорных векторов. Методы. Для обучения модели опорных векторов использовались участки электроэнцефалограммы, предварительно помеченные специалистом как содержащие типичные абсансы. В качестве признаков для классификации выделены ключевые характеристики, такие как число пересечений нуля, кросс-корреляция между двумя последовательными окнами, спектральная мощность в различных диапазонах частот и среднеквадратическое отклонение мгновенной мощности сигнала. Результаты. Сформированы обучающая и тестировочная выборки, включающие окна электроэнцефалограммы с различными типами артефактов. Модель опорных векторов была обучена и протестирована, показав высокую эффективность. Разработанный алгоритм может быть интегрирован в мобильное приложение и использован совместно с носимым электроэнцефалографом на сухих электродах для детекции типичных абсансов в режиме реального времени. Заключение. Результаты исследования подтверждают перспективность применения методов машинного обучения для автоматического детектирования и протоколирования эпилептической активности. Однако для уверенного вывода требуется дальнейшее тестирование на большем объеме данных, включая данные, собранные с использованием беспроводного электроэнцефалографа на сухих электродах. Следующим этапом будет подбор подходящего устройства и создание мобильного приложения для сбора и анализа данных в режиме реального времени.

Цель настоящего исследования — исследовать влияние синаптической пластичности на возбуждающих и тормозных синапсах на формирование признакового пространства входного изображения на возбуждающих и тормозных слоях нейронов спайковой нейронной сети. Методы. Для моделирования динамики нейрона использовалась вычислительно-эффективная модель «Сброс и накопление с утечкой». В качестве модели синаптических контактов использовалась модель синапса на основе проводимости. Синаптическая пластичность в возбуждающих и тормозных синапсах моделировалась классической моделью, зависимой от времен возникновения спайков синаптической пластичности. Нейронная сеть, составленная из них, порождает признаковое пространство, которое разделяется на классы алгоритмом машинного обучения. Результаты. Была построена модель спайковой нейронной сети с возбуждающими и тормозными слоями нейронов с адаптацией синаптических контактов за счет синаптической пластичности. Были рассмотрены различные конфигурации модели с синаптической пластичностью для задачи формирования признакового пространства входного изображения на возбуждающих и тормозных слоях нейронов, а также проведено их сравнение. Заключение. Было показано, что синаптическая пластичность в тормозных синапсах ухудшает формирование признакового пространства изображения для задачи классификации. Получены также ограничения модели и выбрана лучшая конфигурация модели.