递归深度学习网络的多极限环神经动力学模型及方法研究

The construction of dynamic coupling recurrent deep learning neuron network model based on multiple limit cycle system,investigating and simulating the deep learning mechanism of human beings from the orbital transfer by bifurcation are of great importance. The research objects are to build a recurrent deep learning network model based on multiple limit cycle system and Hebbian learning rule,forming a fast convergence algorithm following deep learning dynamic law,and making more precise segmentation of natural complex images.The research contents include theory research of coupled neuron network model from multiple limit cycle system, finding the occurrence law of limit circle with different amplitude and frequency by analysis of the limit circle transfer from the changing of coupling strength.Building the recurrent deep learning network and using it for extracting effective features and expressions to realize the accurate segmentation of complex natural images.The research follows the technical route and analysis of building multiple limit cycle model of single neuron to building two-dimensional array network model and to building deep learning network model.The research is to be achieved through image region and contour data annotation,model debugging and perception testing.To improve the innovation ability of dynamic cognitive perception in recurrent learning model and make breakthrough in application of the core theory of dynamic model.

构建多极限环神经元动力学耦合递归学习网络模型、从分叉导致的轨道迁移研究模拟人类的深度学习机理具有重要的意义。本项目的研究目标是构建基于多极限环动力学模型及Hebbian学习规则的耦合深度递归学习模型，形成基于深度学习动力学规律的快速收敛算法和方法，并对复杂的自然图像做出更为精确的分割。研究内容包括基于多极限环耦合网络模型的理论研究，通过分析耦合强度变化导致的极限环迁移，找出不同振幅频率的极限环出现的规律；结合学习规则构建递归深度学习网络模型，并应用于复杂自然图像的有效特征提取与表征，实现精准分割。本研究制定了从多极限环单个神经元模型、到二维阵列神经元网络模型建模、再到深度网络学习模型建模和分析技术路线，通过图像区域和轮廓数据标注、模型调试和感知测试等实验手段来实现和完成本研究，在递归深度学习的动力学模型理论认知及核心方法应用方面实现创新与突破。

以自然的方式融合上下文信息或时间依赖信息的递归神经网络能更生动地模拟哺乳动物大脑的记忆功能。本课题旨在深入探究递归神经网络学习的动力学机制，模拟人类视觉系统对图像显著目标的学习感知，为递归深度学习提供理论支持。. 本课题从三个方面展开研究：一、复时滞及分数阶递归神经元网络模型构建、收敛性及极限环产生条件分析。二、多极限环模型构建及在图像分割、显著目标学习感知上的应用；三、递归神经网络的有限时间同步分析，构建控制器实现抖动消除的有限时间内原网络与控制网络的同步及构建自适应控制器诱导网络实现快速同步。 . 在第一方面，以时滞复值神经网络的稳定性和hopf分支为切入点，构造等价的实值系统，利用动力学原理研究hopf分岔的充分条件及其方向。以模拟神经元的振荡活动为出发点，探究了具有caputo导数的分数阶系统极限环的存在性及神经网络的收敛性，首次证明了基于非等分数阶系统的网络可以更好的模拟神经元震荡。. 在第二方面，以构建多极限环模型编码图像为出发点，研究同步及去同步机制，实现了对自然彩色图像的有效分割。在以灰度值为频率耦合神经元网络的前提下，研究相同或相近外界刺激加速同步的机制实现了以图像有意义目标为目的的震动簇同步，并构建中枢神经元模型模拟由顶向下的指导作用，实现了以谐共振方式由高频簇到低频簇的有效选择，进而实现了由显著到次显著再到更次显著目标逐次识别。. 在第三方面，以探究分数阶基因递归调控网络中神经元网络协同作用为出发点，构建两类控制器诱导网络系统在有限时间内实现同步震荡。首先构建状态误差反馈控制实现了对现有成果渐进同步过程中抖动的逐渐消除；其次构建自适应反馈控制实现对网络系统的快速同步诱导，并给出了系统同步的充分条件，最后研究并给出了网络同步的时间估计公式。. 以上有关研究成果在十七篇知名国内外学术期刊上发表。并申请国内专利5项，授权2项，授权国际专利1项。本课题共培养硕士研究生共9人，博士生4人，其中5人获校优秀硕士论文奖励。