LNP模型中的神经元滤波特征提取
目的 LNP (linear-nonlinear-Poisson)模型很好地解译了神经元的响应过程,其重要环节之一是线性滤波器的提取.针对传统iSTAC(information-theoretic spike-triggered average and covariance)算法运用于LNP模型时的神经元特性表征不足、运动特征提取效果不佳等问题,特别是在处理低维度刺激问题时,提出了一种改进的iSTAC神经元滤波特征提取算法.方法 引入非触发刺激的统计量,从而更加准确地构建神经元滤波特征子空间的目标函数,同时增强系统的抗噪能力;采用变尺度法最大化目标函数,从而优化解空间,提升算法的收敛速率.结果 不同非线性条件下对线性滤波器的恢复实验结果表明,新算法相较于传统iSTAC算法在高维度刺激时保持较好的表征特性,在刺激维度小于6 500时有明显改善,且总体上优于STA(spike-triggered average)和STC(spike-triggered covariance)算法.结论 提出的新算法适用范围更广,鲁棒性更强,能够运用于建立完整的基于视觉特性的视频运动特征提取模型.
LNP模型、iSTAC算法、低维度、滤波特征提取、非触发刺激、变尺度法
21
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61372167,61379104National Natural Science Foundation of China 61372167,61379104
2016-11-03(万方平台首次上网日期,不代表论文的发表时间)
共7页
1376-1382