扩展卡尔曼滤波在随机神经场中的模式识别能力
最优化与控制
2024-02-20 v1
摘要
在数学神经科学中，特别关注在模型不确定性下由动态神经场（DNF）建模的神经组织中的工作记忆机制。工作记忆能力意味着由于网络中的循环相互作用，在外部刺激移除后神经元活动仍能自我维持，并允许系统应对缺失的传感器信息。在我们之前的工作中，我们开发了两种从传感器可用的不完整数据重建神经膜电位的方法。这些方法是在扩展卡尔曼滤波框架内，使用欧拉-丸山方法和1.5阶伊藤-泰勒展开推导的。结果表明，基于伊藤-泰勒扩展卡尔曼滤波的重建过程比基于欧拉-丸山的方法更准确。它在传感器信息不完整的情况下提高了膜电位重建质量。本文旨在研究它们的模式识别能力，即在模型不确定性和信息不完整情况下模式形成重建的质量。数值实验以神经组织中出现的具有多个活动区的随机DNF为例进行。
引用
@article{arxiv.2402.11551,
title = {Pattern Recognition Facilities of Extended Kalman Filtering in Stochastic Neural Fields},
author = {Maria V. Kulikova and Gennady Yu. Kulikov},
journal= {arXiv preprint arXiv:2402.11551},
year = {2024}
}