ارائه مدل نورونی جدید مبتنی بر رفتار آشوبگونه شبکه های عصبی مصنوعی

ارایه مدل های نورونی جدید به منظور شبیه سازی پدیده های شناختی در مغز در سال های اخیر مورد توجه پژوهشگران قرار گرفته است. در این پژوهش، مدل نورونی جدیدی مبتنی بر رفتار آشوبگونه وزن های شبکه های عصبی مصنوعی در حین یادگیری با استفاده از الگوریتم پس انتشارخطا، ارایه شده است. این مدل نخستین مدل نورونی گسسته با قابلیت یادگیری است و توانایی بروز رفتارهای پیچیده و آشوبی را دارد. قابلیت یادگیری این امکان را به این مدل نورونی داده است که پدیده های شناختی مانند هم آوایی نورون ها را در شرایطی نزدیک به واقعیت شبیه سازی کند. مدل نورونی مذکور که از یک شبکه عصبی جلوسوی سه لایه بدست آمده است، دارای جاذب های هم زیست متعددی است که یادگیری را در بستر جذب های مختلف امکان پذیر می کند. بررسی پارامترهای مدل نشان می دهد که بایفورکیشن نه تنها با تغییر پارامتر ضریب یادگیری روی می دهد، بلکه تحریک بیرونی نیز می تواند به عنوان یک پارامتر کنترل باعث تغییر رفتار مدل و بایفورکیشن شود، نکته ای که می تواند در طراحی و مدلسازی روش های درمانی برای اختلالات شناختی مورد استفاده قرار گیرد.