EMERGÊNCIA DE SINCRONICIDADE EM GRUPOS DE NEURÔNIOS PULSANTES ACOPLADOS
|
|
- Airton Freire Dreer
- 6 Há anos
- Visualizações:
Transcrição
1 EMERGÊNCIA DE SINCRONICIDADE EM GRUPOS DE NEURÔNIOS PULSANTES ACOPLADOS Geraldo Magela Couto Oliveira - magela@lsi.cefetmg.br Henrique Elias Borges - henrique@lsi.cefetmg.br Centro Federal de Educação Tecnológica de Minas Gerais, Laboratório de Sistemas Inteligentes Av. Amazonas, Nova Gameleira Belo Horizonte, MG, Brasil Resumo. O problema da emergência de pulsação síncrona em um grupo neuronal, i.e., um grupo de neurônios fortemente acoplado entre si e que oscila e dispara em sincronia, tem se revelado de fundamental importância para a construção de organismos artificiais e robôs autônomos bioinspirados. Assim, este trabalho visa modelar e sintetizar um grupo neuronal que uma vez estimulado com um pulso de corrente, faça emergir, de modo auto-organizado, uma oscilação síncrona do grupo como um todo, numa certa freqüência. Para tanto, foi constituída uma rede contendo 100 neurônios pulsantes, cujo modelo foi proposto por Izhikevich (2003). O grupo neuronal assim sintetizado, é descrito por um sistema de 200 equações diferenciais não-lineares acopladas. Face à complexidade de se estudar detalhadamente e em termos analíticos a dinâmica deste sistema, foi realizado um estudo por simulação computacional dos parâmetros que afetam a dinâmica do sistema, em particular que afetam a emergência da sincronicidade, numa freqüência bem definida, na pulsação do grupo neuronal. Como resultado, foi possível mostrar que mediante uma parametrização adequada da dinâmica dos neurônios individuais, o grupo neuronal se auto-organiza e passa a exibir, como um todo, uma pulsação síncrona cuja freqüência pode variar desde 2 Hz até um valor próximo a 20 Hz. Keywords: Neurônio Pulsante, Grupo Neuronal, Auto-Organização em Redes Neuronais 1. INTRODUÇÃO Um desafio encontrado hoje na construção de sistemas inteligentes, e.g., organismos artificiais e robôs autônomos bioinspirados, é que estes apresentem capacidade cognitiva e que por meio desta capacidade tenham uma melhor adaptabilidade a ambientes dinâmicos. Existem vários projetos de construção de sistemas inteligentes seguindo esse caminho: ARTIFÍCE (Borges, 2002), CONEURAL (Florian, 2003) e DARWIN (Reeke, 1990). Dessa forma, torna-se interessante compreender os requisitos e as questões que ajudem a alcançar tais objetivos. Pelo paradigma do modelo tradicional, representado pelo cognitivismo e conexionismo, que utiliza principalmente o modelo de neurônio proposto por McCulloch & Pitts (1943), as expectativas da comunidade científica com relação ao desenvolvimento de sistemas inteligentes não tem sido alcançadas, como é observado por Clancey (1997) e Lewis (2005). No intuito de atender às expectativas para a construção de sistemas inteligentes, uma abordagem conhecida como cognição situada se mostra eficaz. Esta abordagem se inspira na estrutura e no comportamento dos seres vivos, o que vem de encontro ao desejo do desenvolvimento de sistemas inteligentes como é ressaltado por Clancey (1997).
2 Algumas características tais como: transições de fase (Freeman, 1991), (Lewis, 2005), formação de grupos neuronais (Florian, 2003), (Izhikevich, 2005), STDP (Spiking Time Dependent Plasticity) (Song et al., 2000) e emergência de pulsação síncrona em um grupo neuronal, devem ser levadas em conta quando se deseja trabalhar com sistemas inteligentes. O modelo de Mc- Culloch & Pitts (1943) não responde essas expectativas, gerando a necessidade de se encontrar um novo modelo. O modelo de neurônio pulsante (spiking neuron) é capaz de reproduzir as características citadas acima, sendo uma boa alternativa para o desenvolvimento de sistemas inteligentes. Neste contexto, este trabalho utiliza neurônios pulsantes, visando modelar e sintetizar um grupo neuronal que uma vez estimulado com um pulso de corrente, faça emergir, de modo auto-organizado, uma oscilação síncrona do grupo como um todo, numa certa freqüência. Este trabalho se apresenta da seguinte forma: Na seção 2, são apresentados alguns modelos de neurônios pulsantes. A seção 3 descreve os parâmetros do modelo utilizado para criação do grupo neuronal. Na seção 4 são mostrados os resultados das simulações que mostram a emergência de sincronicidade em um grupo neuronal. E na seção 5 são apresentadas as conclusões e os trabalhos futuros. 2. APRESENTAÇÃO DOS MODELOS DE NEURÔNIOS PULSANTES Em 1943, McCulloch e Pitts propuseram o primeiro modelo matemático de um neurônio (McCulloch & Pitts, 1943). Hoje, passados mais de 60 anos, sabe-se que esse modelo está longe de retratar o comportamento e as funcionalidades do neurônio biológico. Nesse ínterim, a neurociência avançou sobremaneira e surgiram outros modelos matemáticos que descrevem de modo mais adequado a complexa dinâmica de funcionamento dos neurônios reais. Um modelo que tem tido bastante repercussão e interesse por parte dos pesquisadores é o modelo de neurônio pulsante (Gerstner & Kistler, 2002), (Florian, 2003) e (Izhikevich, 2004), que tem como principal portador de informação o potencial de ação e por ser modelado dessa forma, apresenta uma grande proximidade com o neurônio biológico. Surge, então, uma questão sobre as características que um modelo de neurônio deve apresentar. Uma das características desejáveis em um modelo é a possibilidade de modelar os neurônios de modo que se apresentem como um grupo neuronal, possibilitando a observação de comportamentos desejados, a saber: transições de fase, plasticidade, formação de grupos síncronos. Assim surge a necessidade de pensar em um modelo no qual que se possa trabalhar com grupos de neurônios. Existem vários modelos de neurônios (Izhikevich, 2004), porém, o modelo que reproduz mais detalhadamente as características de um neurônio real é o modelo de Hodgkin-Huxley. Um estudo deste modelo e de outros podem ser encontrados em (Gerstner & Kistler, 2002) e (Berrêdo, 2005). O modelo que Hodgkin e Huxley desenvolveram foi baseado em experimentos realizados com o axônio de uma lula. Este é o modelo mais completo, visto que, além de tratar da diferença de potencial, descreve também a dinâmica das correntes iônicas. Porém, ele possui um alto custo computacional, já que é descrito através de quatro equações diferenciais não-lineares acopladas, o que inviabiliza o seu uso em simulações em uma rede com um grande número de neurônios. Existem modelos simplificados baseados no modelo de Hodgkin-Huxley, obtidos a partir de técnicas de redução de ordem do sistema de equações diferenciais, tal como o de Fitzhugh- Nagumo (Berrêdo, 2005). Porém, apesar de apresentarem as características desejadas, a implementação desses e de outros modelos na simulação de grupos neuronais fica inviável pois persiste o problema do custo computacional (Izhikevich, 2004).
3 Em contrapartida, Izhikevich (2003) desenvolveu um modelo de neurônio que tem como principal mérito apresentar várias características de neurônios reais, aliado a um baixo custo computacional. Além disso, permite a simulação de redes com grande número de neurônios (Izhikevich et al., 2004) e (Izhikevich, 2005) o que mostra uma concordância com o que se deseja neste trabalho. 3. DESCRIÇÃO DO MODELO DE NEURÔNIO UTILIZADO Como o modelo proposto por Izhikevich é o que apresenta o maior compromisso entre custo computacional e plausibilidade biológica (Izhikevich, 2004), ele será adotado para a construção dos grupos neuronais. Uma breve apresentação do modelo é feita a seguir. O modelo é descrito pelas seguintes equações: dv dt = 0.04v2 + 5v u + I (1) du = a(bv u) dt E a condição auxiliar: (2) se v 30 mv, então { v c u u + d (3) A variável v representa o potencial de membrana do neurônio. Já u representa uma variável de recuperação do potencial de membrana. Quando o potencial de membrana atinge um limiar (30 mv), isto representa um pulso disparado pelo neurônio. Quando isto ocorre, as variáveis v e u têm os seus valores modificados de acordo com a condição auxiliar. Os parâmetros a, b, c e d do modelo são adimensionais. Um valor típico para c é -65 mv e para d um valor típico é 6. Como os parâmetros c e d, estão relacionados apenas com a modificação dos valores de v e u após um pulso ser disparado, seus valores foram mantidos constantes ao longo de toda a simulação. I é uma variável que representa uma corrente originada de uma sinapse ou uma perturbação recebida pela rede. Fazendo um estudo dos pontos críticos do modelo, observa-se a possibilidade de bifurcações com a variação dos parâmetros I e b. Nos planos de fase da figura 1, pode-se observar que, variando-se os parâmetros I ou b, ocorrem transições de fase, ou seja, o plano de fase muda qualitativamente. Na parte superior da figura, para b = -2, observa-se que um aumento do valor de I provoca um deslocamento vertical na nuliclinal de v (curva onde dv/dt = 0), porém a nuliclinal de u (curva onde du/dt = 0) mantém-se constante. Constata-se que o número de pontos de equilíbrio muda: de dois (antes da bifurcação) para nenhum (depois da bifurcação). Na parte inferior da figura, para b = 0.5, ocorre o mesmo fenômeno. Este mecanismo de bifurcação permite alterar abruptamente a evolução do sistema. Dada uma situação na qual o sistema está evoluindo em direção a um atrator, uma bifurcação que provoque o desaparecimento deste ponto crítico permite que o sistema mude a sua evolução completamente. Essa mudança qualitativa no sistema - transição de fase - acontecerá devido a estímulos recebidos pelo neurônio por meio da corrente I, uma vez que o parâmetro b pode ser entendido como uma característica fixa de um dado neurônio. Outra característica que pode ser destacada é a formação de grupos neuronais. Izhikevich (2005) mostra que seu modelo é flexível o bastante para que isso aconteça. Neste estudo, é associado o mecanismo de STPD (Song et al., 2000) com a formação de grupos policronais.
4 Figura 1: Bifurcação no modelo do Izhikevich. Fonte: Izhikevich (2007) O uso deste modelo abre novas possibilidades para o desenvolvimento de sistemas inteligentes, uma vez que reproduz os resultados biológicos dos demais modelos a um custo computacional baixo. Para uma análise do custo computacional de alguns modelos, veja (Izhikevich, 2004). Este modelo permite ainda que, fazendo alterações nos parâmetros (a, b, c e d), diferentes tipos de neurônios sejam modelados, exibindo assim diferentes comportamentos, o que pode permitir uma maior flexibilidade na simulação de grupos neuronais. Essas características serão utilizadas para a realização de uma simulação, que é apresentada na próxima seção. 4. SIMULAÇÃO COMPUTACIONAL DOS PARÂMETROS QUE AFETAM A EMER- GÊNCIA DE SINCRONICIDADE Nesse trabalho, objetiva-se modelagem e a síntese de um grupo neuronal que, estimulado por um pulso de corrente, faça emergir, de modo auto-organizado, uma oscilação síncrona do grupo como um todo, numa certa freqüência. Para isso, uma rede contendo 100 neurônios pulsantes, baseados no modelo proposto por Izhikevich, foi criada. Como o modelo deste neurônio é composto por um sistema com duas equações diferenciais não-lineares acopladas (1) e (2), o grupo neuronal sintetizado é descrito por um sistema de 200 equações diferenciais não-lineares acopladas. Devido à complexidade de se estudar detalhadamente e em termos analíticos a dinâmica desse sistema, são apresentados a seguir um estudo dos parâmetros que afetam a sua dinâmica. Sinapses realizadas. O número de sinapses que cada neurônio realiza influencia a emergência da sincronicidade, pois, sendo este número pequeno, inibe o seu aparecimento, já para um número maior de sinapses, os neurônios disparam continuamente eliminando a sincronicidade do grupo. A figura 2 mostra a influência do número de sinapses na emergência de
5 sincronicidade para: a = 0.04, b = 0.25, c = -65 e d = 6. Figura 2: Influência do número de sinapses na emergência de sincronicidade. 2a (3 sinapses), 2b (10 sinapses), 2c (20 sinapses) e 2d (30 sinapses). A figura 2a representa um grupo onde cada neurônio da rede realiza 3 sinapses, número insuficiente para a emergência da sincronicidade. Já na figura 2b (10 sinapses) e 2c (20 sinapses) observa-se essa emergência, porém em 2b a frequência é maior que em 2c. Já a figura 2d representa uma rede onde cada neurônio realiza 30 sinapses, valor que eleva a quantidade de disparos dos neurônios, o que elimina a sincronicidade do grupo. Condutância das sinapses. A sinapse foi modelada da mesma maneira como ocorre no neurônio biológico, no qual não ocorre de forma instantânea, ou seja, a corrente transmitida para o neurônio pós-sináptico permanece durante um certo intervalo de tempo, diminuindo até se extinguir. Figura 3: Tensão do neurônio pré-sináptico (figura 3a), que ao atingir um valor igual ou superior a 30mV transmite uma corrente para o neurônio pós-sináptico que decresce ao longo do tempo (figura 3b). A figura 3 mostra a tensão de um neurônio pré-sináptico, que ao atingir um valor igual ou superior a 30 mv (figura 3a), gera uma corrente para o neurônio pós-sináptico, que decresce até se extinguir (figura 3b). Portanto, os neurônios receberão estímulos durante um intervalo de tempo maior, contribuindo para a emergência de sincronicidade.
6 A corrente total I em (1) que cada neurônio recebe é a soma de todas as correntes geradas por cada sinapse que o neurônio faz. A corrente i, gerada em uma sinapse é modelada da seguinte maneira: i = W.g (4) Onde W é o peso da sinapse e g a condutância instantânea da sinapse. O valor de g diminui ao longo do tempo do seguinte modo: dg dt = g τ (5) Onde τ é uma constante de tempo que contribui para a diminuição da condutância. Assim, quando a tensão de um neurônio atinge um valor igual ou superior a 30 mv (figura 3a), ele transmite uma corrente i para todos os seus neurônios pós-sinápticos. A medida que o tempo passa o valor de g diminui, diminuindo o valor da corrente i transmitida. A figura 4 mostra a influência de τ na emergência de sincronicidade para: a = 0.02, b = 0.25, c = -65, d = 6 e 10 sinapses sendo realizadas por cada neurônio. No grupo representado em 4a, τ = 1, a corrente gerada nas sinapses não é suficiente para se observar a emergência de sincronicidade, já em 4b, τ = 5, observa-se esse fenômeno, porém no grupo representado em 4c, τ = 30, as correntes geradas nas sinapses por terem uma duração maior não permitem que os neurônios do grupo apresentem sincronicidade. Figura 4: Influência da constante de tempo τ na emergência de sincronicidade. Em 4a, τ=1, em 4b, τ=5 e 4c, τ=30. Transições de fase no neurônio. Com a variação do parâmetro b é possível alterar a frequência de sincronicidade de um grupo, por exemplo, para os valores de b = 0.2 e b = 0.25, observa-se uma variação na frequência, passando de 6 Hz para 9 Hz. A figura 5 mostra a influência de b na emergência de sincronicidade para: a = 0.02, c = -65, d = 6 e 10 sinapses sendo realizadas por cada neurônio. Isso acontece porque com um valor maior de b ocorre uma alteração no ponto de interseção da nuliclinal de v com a nuliclinal de u (veja a figura 6) de tal modo que valor da corrente necessária para o disparo do neurônio é menor. Dessa forma, para uma mesma intensidade de estímulos os neurônios disparam mais, aumentando a frequência.
7 Figura 5: Grupos com frequências diferentes em função da alteração do parâmetro b. Em (a) b = 0.2 e em (b) b = Figura 6: Plano de fase para b = 0.2 (esquerda) e b = 0.25 (direita). Recuperação do potencial de membrana. O parâmetro a é outro parâmetro que influencia na sincronicidade do grupo. Esse parâmetro está relacionado diretamente com a variável u que representa a recuperação do potencial de membrana de um neurônio após o disparo. Assim, o parâmetro a pode ser usado tanto para diminuir ou aumentar a frequência do grupo, pois, os neurônios só podem disparar quando o valor de u for suficientemente baixo de modo a permitir que o valor de v aumente, levando o neurônio a disparar. Assim, quanto maior o valor de a mais rápido um neurônio terá as condições necessárias para disparar, o que aumenta a frequência do grupo. A figura 7 mostra as frequências dos grupos para diferentes valores de a e os parâmetros b = 0.25, c = -65, d = 6 e 10 sinapses sendo realizadas por cada neurônio.
8 Figura 7: Grupos com diferentes frequências em função do parâmetro a. Em (a), a = 0.02, em (b), a = 0.04 e em (c), a = A figura 8 apresenta a evolução dos parâmetros u e v de um neurônio típico da rede para a = 0.02, b = 0.25, c = -65, d = 6 e 10 sinapses sendo realizadas por cada neurônio. Figura 8: Evolução de u e v do neurônio 70 para a = A figura 9 apresenta a evolução dos parâmetros u e v de um neurônio típico da rede para a = 0.04, b = 0.25, c = -65, d = 6 e 10 sinapses sendo realizadas por cada neurônio. Figura 9: Evolução de u e v do neurônio 70 para a = 0.04.
9 5. CONCLUSÕES E TRABALHOS FUTUROS Mediante uma parametrização adequada da dinâmica dos neurônios individuais é possível variar a frequência na qual o grupo neuronal se auto-organiza e passa a exibir, como um todo, uma pulsação síncrona. A figura 10 apresenta 3 grupos neuronais com diferentes frequências. Figura 10: Grupos com frequências variando de 2 Hz a 20 Hz em função dos valores de seus parâmetros. Os parâmetros do grupo representado na figura 10a são: a = 0.005, b = 0.2, c = -65, d = 6, τ = 10 e 15 sinapses para cada neurônio, o que resulta em um grupo com frequência de 2 Hz. Os parâmetros do grupo representado na figura 10b são: a = 0.02, b = 0.25, c = -65, d = 6, τ = 5 e 10 sinapses para cada neurônio, o que resulta em um grupo com frequência de 9 Hz. Os parâmetros do grupo representado na figura 10c são: a = 0.08, b = 0.25, c = -65, d = 6, τ = 5 e 10 sinapses para cada neurônio, o que resulta em um grupo com frequência de 20 Hz. Para o futuro pretende-se utilizar esse mecanismo de sincronicidade para a criação de uma estrutura que gere e controle a frequência de estruturas necessárias à construção de organismos artificiais e robôs autônomos bioinspirados. Referências Berrêdo, R. C. d., A Review of Spiking Neuron Models and Applications. Master s thesis, Universidade Federal de Minas Gerais. Borges, H. E., Arquitetura flexível para a criação de agentes de software cognitivos e situados: teoria, metodologia e ferramentas. Projeto de pesquisa (departamento de ensino superior), Centro Federal de Educação Tecnológica de Minas Gerais. Clancey, W., Situated Cognition: On Human Knowledge and Computer Representations. Cambridge University Press. Florian, R. V., Biologically inspired neural networks for the control of embodied agents. Technical report, Center for Cognitive and Neural Studies (Coneural). Freeman, W., The physiology of perception. Scientific American, vol. 264, n. 2, pp Gerstner, W. & Kistler, W., Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge University Press. Izhikevich, E., Simple model of spiking neurons. IEEE Transactions on Neural Networks, vol. 14, n. 6, pp Izhikevich, E., Which Model to Use for Cortical Spiking Neurons? IEEE Transactions on Neural Networks, vol. 15, n. 5, pp
10 Izhikevich, E., Polychronization: Computation with Spikes. Neural Computation, vol. 18, n. 2, pp Izhikevich, E., Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. The MIT Press. Izhikevich, E., Gally, J., & Edelman, G., Spike-timing Dynamics of Neuronal Groups. Cerebral Cortex, vol. 14, pp Lewis, M., Bridging emotion theory and neurobiology through dynamic systems modeling. Behavioral and Brain Sciences, vol. 28, n. 02, pp McCulloch, W. & Pitts, W., A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biology, vol. 5, n. 4, pp Reeke, G. N., Synthetic neural modeling: The darwin series of recognition automata. IEEE Proceedings, vol. 78, n. 9, pp Special issue on Neural Networks. Song, S., Miller, K., & Abbott, L., Competitive Hebbian learning through spike-timingdependent synaptic plasticity. Nature Neuroscience, vol. 3, pp EMERGENCE OF SYNCHRONICITY IN GROUPS OF COUPLED SPIKING NEURONS Abstract. The emergency problem of synchronous pulsation in a neuronal group, i.e., a group of neurons strongly connected and that oscillates and spikes in synchrony, is important to build artificial organisms and bioinspired independent robots. Thus, this work proposes to model and to synthesize a neuronal group that once stimulated by a current pulse, allows the emergence, in a self-organized way, of a synchronous oscillation of the group as a whole and at a certain frequency. In such way, it was build a network with 100 spiking neurons, whose model was proposed by Izhikevich (2003). The synthesized neuronal group is described by a system of 200 nonlinear coupled diferential equations. Once it is difficult to study the dynamics of this system in a detailed and analytical way, it was carried a computational simulation to study the parameters that affect the system dynamics, in particular the parameters that affect the emergency of synchronicity. As a result, it was possible to show that by an adequate choice of neurons parameters, the neuronal group selforganizes and exhibits, as a whole, a synchronous pulsation with the frequency ranging from 2 Hz to 20 Hz. Keywords: Spiking Neurons, Neuronal Group, Self-Organization in Neuronal Networks
GERALDO MAGELA COUTO OLIVEIRA EMERGÊNCIA DE SINCRONICIDADE EM UM SISTEMA DE NEURÔNIOS PULSANTES ACOPLADOS
GERALDO MAGELA COUTO OLIVEIRA EMERGÊNCIA DE SINCRONICIDADE EM UM SISTEMA DE NEURÔNIOS PULSANTES ACOPLADOS Belo Horizonte MG Dezembro de 2007 GERALDO MAGELA COUTO OLIVEIRA EMERGÊNCIA DE SINCRONICIDADE EM
Leia maisDESENVOLVIMENTO DE UM SISTEMA DE COORDENAÇÃO SENSÓRIO-MOTORA PARA ROBÔS COM O USO DE NEURÔNIOS PULSANTES
DESENVOLVIMENTO DE UM SISTEMA DE COORDENAÇÃO SENSÓRIO-MOTORA PARA ROBÔS COM O USO DE NEURÔNIOS PULSANTES Jeferson Figueiredo Chaves- jeferson@lsi.cefetmg.br Bruno André Santos- bruno@decom.cefetmg.br Henrique
Leia maisCOORDENAÇÃO SENSÓRIO-MOTORA PARA NAVEGAÇÃO DE ROBÔS BASEADO EM REDES DE NEURÔNIOS PULSANTES: RESULTADOS PRELIMINARES Bruno André Santos, Jeferson Figueiredo Chaves, Henrique Elias Borges, José Luiz Acebal
Leia maisCONSTRUÇÃO DE DETECTOR DE ESTÍMULO COM NEURÔNIO PULSANTE VIA EVOLUÇÃO DIFERENCIAL
CONSTRUÇÃO DE DETECTOR DE ESTÍMULO COM NEURÔNIO PULSANTE VIA EVOLUÇÃO DIFERENCIAL Gustavo M. Zeferino, Rogério M. Gomes, Henrique E. Borges, Gabriela E. Soares Centro Federal de Educação Tecnológica de
Leia maisEMERGÊNCIA DE SINCRONICIDADE EM UMA REDE AUTO-ORGANIZÁVEL DE NEURÔNIOS PULSANTES: USO DE ALGORITMOS GENÉTICOS PARA A SINTONIA DO MODELO
GABRIELA ELEUTÉRIO SOARES EMERGÊNCIA DE SINCRONICIDADE EM UMA REDE AUTO-ORGANIZÁVEL DE NEURÔNIOS PULSANTES: USO DE ALGORITMOS GENÉTICOS PARA A SINTONIA DO MODELO Belo Horizonte MG Agosto de 2010 GABRIELA
Leia mais2º Curso Prático de Modelagem Computacional em Neurociência. Neurossimuladores. Renan O. Shimoura Doutorando
2º Curso Prático de Modelagem Computacional em Neurociência Neurossimuladores Renan O. Shimoura Doutorando O que são? Linguagens computacionais ou pacotes para uma linguagem já existente desenvolvidos
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia mais1º Curso Prático de Modelagem Computacional em Neurociência. Neurossimuladores. Renan O. Shimoura Doutorando
1º Curso Prático de Modelagem Computacional em Neurociência Neurossimuladores Renan O. Shimoura Doutorando O que são? Linguagens computacionais ou pacotes para uma linguagem já existente desenvolvidos
Leia maisIntrodução à Neurociência Computacional (Graduação) Prof. Antônio Roque Aula 6
Variações do modelo integra-e-dispara Nesta aula vamos apresentar algumas variações do modelo LIF visto na aula passada. Modelo integra-e-dispara com adaptação Estudos in vitro mostram que muitos tipos
Leia maisModelos integra-e-dispara não-lineares com duas variáveis
Modelos integra-e-dispara não-lineares com duas variáveis Assim como no caso do modelo LIF, os modelos integra-e-dispara não-lineares podem ser estendidos para reproduzir o fenômeno de adaptação nos disparos
Leia maisAs aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios.
Modelos de neurônios do tipo integra-e-dispara Introdução As aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios. Como a estratégia de Hodgkin
Leia maisPrático de Modelagem Computacional em Neurociência. Dia 25 de Julho. Redes
Prático de Modelagem 1o Curso Computacional em Neurociência Dia 25 de Julho Redes Rodrigo FO Pena Doutorando Por que redes? Neurociência: ciência complexa ~86 bilhões de neurônios Trilhões de sinapses
Leia maisQuarta Lista de Exercícios (data de entrega: 11/05/2018)
Quarta Lista de Exercícios (data de entrega: 11/05/018) 1. A partir da análise do modelo de Hodgkin-Huxley no plano de fase rápido-lento (veja a aula 1), FitzHugh propôs um modelo bi-dimensional muito
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisModelos de neurônios baseados na taxa de disparos
Modelos de neurônios baseados na taxa de disparos Devido à complexidade dos chamados modelos realistas de neurônios e redes neurais, baseados no formalismo de Hodgkin-Huxley, muitos autores preferem usar
Leia maisModelagem matemática e computacional de neurônios
Modelagem matemática e computacional de neurônios www.lncc.br/ alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ Jornada em Neuropsiquiatria Computacional LNCC 02 e 03 de fevereiro
Leia maisTerceiro Projeto Computacional (data de entrega: 02/05/18)
Terceiro Projeto Computacional (data de entrega: 0/05/18) 1. Nesta questão, você deverá aproveitar o código escrito no Projeto Computacional em que implementou a solução numérica do modelo de Hodgkin-Huxley.
Leia maisMODELO DINÂMICO DO TIPO HINDMARSH-ROSE (HR) PARA NEURONIOS ARTIFICIAS: ESTUDO DO CAOS
MODELO DINÂMICO DO TIPO HINDMARSH-ROSE (HR) PARA NEURONIOS ARTIFICIAS: ESTUDO DO CAOS Leiliane Borges Cunha leilianebc@hotmail.com Universidade Federal do Pará-UFPA, Faculdade de Engenharia Eletrica-FEE
Leia maisFLUXO DE INFORMAÇÃO ENTRE DOIS MODELOS DE NEURÔNIO DE HINDMARSH-ROSE
FLUXO DE INFORMAÇÃO ENTRE DOIS MODELOS DE NEURÔNIO DE HINDMARSH-ROSE Aryadyne Bueno Rocha Szesz (PIBIC/Fundação Araucária/UEPG), Sandro Ely de Souza Pinto (Orientador), e-mail: dsouzapinto@gmail.com Universidade
Leia maisSincronismo entre Redes Neurais Complexas: Um Modelo de Sistema Visual de Mamíferos
Trabalho apresentado no DINCON, Natal - RN, 2015. 1 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Sincronismo entre Redes Neurais Complexas: Um Modelo de Sistema Visual
Leia maisSINCRONIZAÇÃO DOS DISPAROS DE NEURÔNIOS ACOPLADOS CONSIDERANDO UMA CONFIGURAÇÃO MESTRE-ESCRAVO
SINCRONIZAÇÃO DOS DISPAROS DE NEURÔNIOS ACOPLADOS CONSIDERANDO UMA CONFIGURAÇÃO MESTRE-ESCRAVO BURSTING SYNCHRONIZATION OF COUPLED NEURONS CONSIDERING A MASTER-SLAVE CONFIGURATION Marli Terezinha Van Kan,*
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisProjeto de iniciação científica desenvolvido na UFFS campus Cerro Largo, PRO-ICT/UFFS 2
ANÁLISE DA ESTABILIDADE DE UM PULVERIZADOR DE POMARES DO TIPO TORRE UTILIZANDO DIAGRAMAS DE BIFURCAÇÃO 1 ANALYSIS OF STABILITY OF A TOWER TYPE ORCHARD SPRAYER USING BIFURCATION DIAGRAMS Nadine Thiele 2,
Leia maisRoteiro MetaNeuron. Problemas sobre bioeletrogênese
Roteiro MetaNeuron Vá em http://www.metaneuron.org/ e baixe o software MetaNeuron. Baixe também o manual do programa. Potencial de membrana (Lesson 1). Problemas sobre bioeletrogênese Essa lição simula
Leia maisQuarto projeto computacional (data de entrega: 05/06/17)
Quarto projeto computacional (data de entrega: 05/06/17) 1. Escreva um programa em MATLAB (ou na sua linguagem favorita) que implemente numericamente o modelo de neurônio integra-e-dispara com vazamento
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisO neurônio. Alguns íons podem utilizar esses poros para passar através da membrana (para dentro ou para fora da célula).
O neurônio O objetivo desta aula é fazer uma rápida revisão sobre as propriedades essenciais dos neurônios, utilizados como inspiração para os modelos de unidades das redes neurais artificiais. Ela servirá
Leia maisMúltiplas escalas e a modelagem matemática e computacional em neurociência under Capricorn
Múltiplas escalas e a modelagem matemática e computacional em neurociência under Capricorn www.lncc.br/ alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ Inverse days under Capricorn
Leia maisHHSim Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr.
HHSim 2018 Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr. 1 O modelo de Hodgkin-Huxley foi proposto em 1952 para modelar o potencial de ação do axônio de sépia. Os dados sobre a corrente
Leia maisObservações e modelos O trabalho de Hodgkin e Huxley como exemplo
LNCC LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA PIBIC Programa Integrado de Bolsas de Iniciação Científica Observações e modelos O trabalho de Hodgkin e Huxley como exemplo Relatório de pesquisa e desenvolvimento
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisRedes Neurais Artificiais Pulsadas. Alexandre Romariz, Ph.D.
Redes Neurais Artificiais Pulsadas Alexandre Romariz, Ph.D. Departamento de Engenharia Elétrica Universidade de Brasília http://www.ene.unb.br/ romariz/palestras/rnp.pdf Conselho Nacional Resumo Motivação
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisDinâmica das Células Excitáveis
Faculdade de Ciências e Tecnologia Universidade de Coimbra Eng. Biomédica Dinâmica das Células Excitáveis Modelos dos Processos Fisiológicos no Homem Junho 2005 1 Realizado por: Carla S. Silva Pereira
Leia maisDesenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos.
Desenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos. Um modelo de equações diferenciais originalmente proposto para a propagação de sinais elétricos no
Leia maisComputação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição
Computação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição PROVA DIDÁTICA Tema 01 Neurônios ESCOLA POLITÉCNICA DA USP Engenharia de Sistemas Eletrônicos Especialidade 1 PROVA DIDÁTICA Tema
Leia maisRedes Neurais: A Terceira Geração
Redes Neurais: A Terceira Geração Sumário Gerações de Redes Neurais Modelos de Neurônios Sistemas Dinâmicos Tipos de Dinâmica Correlação Oscilatória Sincronização em Sistemas Dinâmicos Sincronização Completa
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisO Modelo de FitzHugh-Nagumo
O Modelo de FitzHugh-Nagumo Introdução à Neurociência Computacional (Graduação) Antonio Roque Aula 14 A partir da análise do modelo de Hodgkin-Huxley no plano de fase rápido-lento (veja a aula 1), FitzHugh
Leia maisKátia Slodkowski Clerici 2, Cássio L. M. Belusso 3. Projeto de pesquisa PRO-ICT/UFFS 2. Acadêmica do curso de Física da UFFS Campus Cerro Largo 3
DETECÇÃO DE COMPORTAMENTO REGULAR E CAÓTICO EM UM PULVERIZADOR DE POMARES TIPO TORRE UTILIZANDO DIAGRAMAS DE BIFURCAÇÃO 1 ON APPEARANCE OF REGULAR AND CHAOTIC BEHAVIOR ON THE TOWER ORCHARD SPRAYER USING
Leia maisModelo de Hodgkin-Huxley resolvido pelo método de Runge-Kutta
Modelo de Hodgkin-Huxley resolvido pelo método de Runge-Kutta Hodgkin-Huxley model solved by Runge-Kutta method ISSN 2316-9664 Volume 11, dez. 2017 Edição Iniciação Científica Anderson Ferreira Sepulveda
Leia maisUNIVERSIDADE DE SÃO PAULO INSTITUTO DE BIOCIÊNCIAS CURSO DE PÓS-GRADUAÇÃO EM ECOLOGIA
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE BIOCIÊNCIAS CURSO DE PÓS-GRADUAÇÃO EM ECOLOGIA Disciplina: BIE 5786 Ecologia de Populações Aluno: Santiago Montealegre Quijano Modelo Predador-Presa PREDAÇÃO Vamos
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisModelagem de Sinapses
Modelagem de Sinapses Introdução à Neurociência Computacional (Graduação) Antonio Roque Aula 15 Há dois tipos de sinapses, químicas e elétricas. Vamos começar considerando apenas a sinapse química, que
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisMODELAGEM E DINÂMICA DE UM DISPOSITIVO MICRO-ELETROMECÂNICO (MEMS). MODELING AND DYNAMICS OF MICRO-ELECTROMECHANICAL DEVICE (MEMS).
MODELAGEM E DINÂMICA DE UM DISPOSITIVO MICRO-ELETROMECÂNICO (MEMS). MODELING AND DYNAMICS OF MICRO-ELECTROMECHANICAL DEVICE (MEMS). Douglas Roca Santo 1, José Manoel Balthazar 2, Bento Rodrigues de Pontes
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisRedes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
Leia maisSCC Capítulo 2 Topologia e Representação
Modelos Arquiteturas Representação do Conhecimento SCC-5809 - Capítulo 2 Topologia e Representação João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809:
Leia maisESTUDO E APLICAÇÃO DE MODELOS ANALÍTICOS PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1
ESTUDO E APLICAÇÃO DE MODELOS ANALÍTICOS PARA A PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Alisson Vercelino Beerbaum 2, Airam T. Z. R. Sausen 3, Eduardo Cardoso Toniazzo
Leia maisSincronização de disparos em redes neuronais com plasticidade sináptica
Revista Brasileira de Ensino de Física, v. 37, n. 2, 2310 (2015) www.sbfisica.org.br DOI: http://dx.doi.org/10.1590/s1806-11173721787 Sincronização de disparos em redes neuronais com plasticidade sináptica
Leia maisDefinição analítica para o Limiar de Potencial e para os Períodos Refratários Absoluto e Relativo do modelo de Hodgkin-Huxley.
Definição analítica para o Limiar de Potencial e para os Períodos Refratários Absoluto e Relativo do modelo de Hodgkin-Huxley. Peterson Taylor C. Barbosa, Depto. de Matemática Aplicada, IMECC, UNICAMP,
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisMODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1
MODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1 Marcia De Fatima Brondani 2, Airam Teresa Zago Romcy Sausen 3, Paulo Sérgio Sausen 4. 1 Projeto de Pesquisa realizado
Leia maisExperimento 5 Circuitos RLC com onda quadrada
Experimento 5 Circuitos RLC com onda quadrada 1. OBJETIVO O objetivo desta aula é estudar a variação de voltagem nas placas de um capacitor, em função do tempo, num circuito RLC alimentado com onda quadrada.
Leia maisExplorando Analiticamente o Modelo de Rede Neural de Wilson-Cowan
Trabalho apresentado no DINCON, Natal - RN, 2015. 1 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Explorando Analiticamente o Modelo de Rede Neural de Wilson-Cowan
Leia maisSIMULAÇÃO DA ATIVIDADE ELETROFISIOLÓGICA DE NEURÔNIOS
1 SIMULAÇÃO DA ATIVIDADE ELETROFISIOLÓGICA DE NEURÔNIOS O Programa AXOVACS [baseado no modelo proposto por Hodgkin e Huxley (1952) (J.Physiol. 117, 500)], que permite simular a atividade eletrofisiológica
Leia maisComunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011
Comunicado MMC 030/2010 Belo Horizonte, 30 de novembro de 2010 OFERTA DE DISCIPLI AS PARA O 1º SEMESTRE DE 2011 º DISCIPLI A TIPO CH CR DOCE TE DIA HORÁRIO 1. Álgebra Linear OB 45 3 Fausto de Camargo Júnior
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisJEFERSON FIGUEIREDO CHAVES SÍNTESE DE ESTRUTURAS BIO-INSPIRADAS BASEADA EM REDES DE NEURÔNIOS PULSANTES
JEFERSON FIGUEIREDO CHAVES SÍNTESE DE ESTRUTURAS BIO-INSPIRADAS BASEADA EM REDES DE NEURÔNIOS PULSANTES Belo Horizonte MG Dezembro de 2007 JEFERSON FIGUEIREDO CHAVES SÍNTESE DE ESTRUTURAS BIO-INSPIRADAS
Leia maisCAPÍTULO. Gonçalves F., Rosane 1 *; Napoleão R., Marcos 2. Universidade Federal de Goiás. Universidade Federal de Goiás
6 CAPÍTULO MODELAGEM MATEMÁTICA DE SISTEMAS MECÂNICOS: ANÁLISE VIBRATÓRIA Gonçalves F., Rosane 1 *; Napoleão R., Marcos 2 1 Universidade Federal de Goiás 2 Universidade Federal de Goiás * email: rosannymat@hotmail.com
Leia maisPLASTICIDADE SINÁPTICA EM REDES NEURONAIS
Universidade Estadual de Ponta Grossa Programa de Pós-Graduação em Ciências Área de Concentração: Física PLASTICIDADE SINÁPTICA EM REDES NEURONAIS RAFAEL RIBASKI BORGES PONTA GROSSA 216 RAFAEL RIBASKI
Leia mais2.1 Dados Experimentais e Método para Estimação dos Parâmetros
ANÁLISE COMPARATIVA DE MODELOS ANALÍTICOS CONSIDERANDO DESCARGAS CONSTANTES PARA PREDIÇÃO DO TEMPO DE VIDA DE DISPOSITIVOS MÓVEIS 1 Julia Giehl Zart 2, Livia Bittencourt Gomes 3, Douglas Joziel Bitencourt
Leia maisModelagem em Sistemas Complexos
Modelagem em Sistemas Complexos Marcone C. Pereira Escola de Artes, Ciências e Humanidades Universidade de São Paulo São Paulo - Brasil Março de 2012 Objetivos Nesta parte da disciplina pretendemos discutir
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia maisIntrodução à Neurociência Computacional
Introdução à Neurociência Computacional Antonio C. Roque USP, Ribeirão Preto, SP Aula 2 Potenciais de membrana e de ação Membrana neuronal Membrana neuronal: fina membrana (60-70 Å de espessura) que recobre
Leia maisConectando neurônios: uma abordagem neurocomputacional utilizando o modelo de Izhikevich e funções Alfa
Conectando neurônios: uma abordagem neurocomputacional utilizando o modelo de Izhikevich e funções Alfa (Connecting neurons: a neurocomputational approach using the Izhikevich model and alpha functions)
Leia maisARTIGOS ICN AGENCY A APLICAÇÃO DO EEG NO CONSUMO
ARTIGOS ICN AGENCY A APLICAÇÃO DO EEG NO CONSUMO ICN AGENCY 2018 WWW.ICNAGENCY.COM A APLICAÇÃO DO EEG NO CONSUMO Quando os neurónios do cérebro humano processam informação, modificam o fluxo da corrente
Leia maisOrigens do potencial de membrana Excitabilidade celular
Origens do potencial de membrana Excitabilidade celular Algumas medidas elétricas Potencial (E,V) V (volt) Carga C (coulomb) Corrente (I) A (ampere = C/s) Resistência (R) W (ohm = V/A) Condutância (G)
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisO termo redes neurais se sobrepõe a alguns campos distintos:
Conexionismo e Redes Neurais A psicologia conexionista é um campo que se apóia nas chamadas redes neurais artificiais como veículo para a expressão matemática dos seus conceitos e teorias. Ela não é o
Leia maisUm Middleware de Inteligência Artificial para Jogos Digitais 105
6 Conclusão Este capítulo apresenta alguns comentários e considerações gerais sobre o trabalho de pesquisa realizado durante o desenvolvimento desta dissertação, as contribuições alcançadas e sugestões
Leia maisA Membrana Neuronal, o Potencial de Membrana e o Potencial de Ação
A Membrana Neuronal, o Potencial de Membrana e o Potencial de Ação Nesta aula, vamos deixar de lado a abordagem histórica e fazer uma apresentação do ponto de vista moderno sobre a membrana neuronal e
Leia maisExcitabilidade elétrica
Excitabilidade elétrica O que é uma célula excitável? É uma célula que altera ativamente o potencial da membrana em resposta a algum estímulo (elétrico, físico ou químico). Exemplos: Neurônios e células
Leia maisExperimento 5 Circuitos RLC com onda quadrada
Experimento 5 Circuitos RLC com onda quadrada 1. OBJETIVO O objetivo desta aula é estudar a variação de voltagem nas placas de um capacitor, em função do tempo, num circuito RLC alimentado com onda quadrada.
Leia maisModelagem empírica de funções multivariáveis por redes neurais artificiais
[~][/~][~][/~][~] [/~][ Blucher Proceedings Modelagem empírica de funções multivariáveis por redes neurais artificiais Cansian, A. B. M. 1* ; Costa, A. O. S. 2 ; Costa Jr, E. F. C. 2 1 Curso de Graduação
Leia maisO que é uma lesão neurológica???????
PLASTICIDADE NEURAL O que é uma lesão neurológica??????? Sistema Nervoso Central (SNC) Sistema Nervoso Periférico (SNP) Estruturas cerebrais Recuperação funcional? Como ocorre? Quais são as bases fisiológicas?
Leia maisPSI 2533 Módulo de Redes Redes Neurais Artificiais e Aprendizado
PSI 2533 Módulo de Redes Redes Neurais Artificiais e Aprendizado Prof. Emilio Del Moral Hernandez Escola Politécnica da Universidade de São Paulo Departamento de Eng. De Sistemas Eletrônicos emilio_del_moral@ieee.org
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisUm Estudo da Dinâmica da Equação Logística
Um Estudo da Dinâmica da Equação Logística Conconi, T.; Silva Lima, M.F. Resumo: Equações diferenciais são adequadas para representar sistemas discretos por grandezas cujos valores variam apenas em determinados
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de autônoma, inteligente ou cognitiva; Capacidade de lidar com eventos
Leia maisModelagem em Sistemas Complexos
Modelagem em Sistemas Complexos Interação de espécies Marcone C. Pereira Escola de Artes, Ciências e Humanidades Universidade de São Paulo São Paulo - Brasil Março de 2012 Nas próximas aulas discutiremos
Leia maisExcitabilidade elétrica
Excitabilidade elétrica O que é uma célula excitável? É uma célula que altera ativamente o potencial da membrana em resposta a algum estímulo (elétrico, físico ou químico). Exemplos: Neurônios e células
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisCapa do programa da cerimônia de entrega do Prêmio Nobel de Medicina e Fisiologia de 1963.
Os mecanismos iônicos responsáveis pela geração de um potencial de ação foram elucidados pelos trabalhos de Hodgkin e Huxley com o axônio gigante de lula na primeira metade do Século XX. Capa do programa
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA REPRESENTAR O COMPORTAMENTO VISCOELÁSTICO
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA REPRESENTAR O COMPORTAMENTO VISCOELÁSTICO Marcelo Massarani Escola Politécnica da Universidade de São Paulo, Departamento de Engenharia Mecânica, Av. Prof. Mello
Leia maisConsiderações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Leia maisCOMPUTAÇÃO EM ASSEMBLEIAS NEURAIS PULSADAS
COMPUTAÇÃO EM ASSEMBLEIAS NEURAIS PULSADAS João Ranhel* *Departamento de Eletrônica e Sistemas / UFPE, Recife, Brasil jranhel@ieee.org Abstract: Neural assembly computing (NAC) is an approach that intends
Leia maisA noção do tempo numa perspectiva dinâmica da cognição
A noção do tempo numa perspectiva dinâmica da cognição Ms. Heberth Paulo de Souza UNIPAC Doutorando em Lingüística - UFMG Fone: (32)3371-4546 hpsouza@mgconecta.com.br Data da recepção: Data da aprovação:
Leia maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisRedes Neurais Articiais para Controle de uma Planta de Nível
1 Redes Neurais Articiais para Controle de uma Planta de Nível Isabele Morais Costa, Luana Lyra de Almeida, Stella Neves Duarte Lisboa e Fábio Meneghetti Ugulino de Araújo ResumoEste trabalho pretende
Leia maisBLOCO SISTEMA NERVOSO (SN)
FACULDADE de MOTRICIDADE HUMANA ANATOMOFISIOLOGIA I 2008-2009 Prof. SISTEMA NERVOSO Noções Fundamentais BLOCO SISTEMA NERVOSO (SN) TEMAS 1. Organização funcional do SN 2. Noções Fundamentais: unidade básica
Leia mais