Моделирование проведения волн возбуждения по средам, элементы которых описываются уравнениями с запаздыванием тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат физико-математических наук Ануфриенко, Сергей Евгеньевич

• Ануфриенко, Сергей Евгеньевич
• кандидат физико-математических наук
• 2004

Оглавление диссертации кандидат физико-математических наук Ануфриенко, Сергей Евгеньевич

Введение

1. Моделирование процесса сальтаторного проведения возбуждения

1.1. Понятие о сальтаторном проведении.

1.2. Модель порогового нейрона.

1.3. Точечная модель сальтаторного проведения возбуждения

1.3.1. Описание модели.

1.3.2. Исследование устойчивости положения равновесия

1.3.3. Некоторые вспомогательные утверждения

1.3.4. Исследование системы уравнений, описыващей точечную модель сальтаторного проведения возбуждения

1.4. Распределенная модель сальтаторного проведения возбуждения

1.4.1. Описание модели.

1.4.2. Необходимые сведения из теории.

1.4.3. Динамика мембранного потенциала миелинизи-рованного слоя.

2. Колебания в сети из пороговых нейронов

2.1. Колебания в системе из шести пороговых нейронов . . 85 2.1.1. Исследование устойчивости положения равновесия

2.1.2. Волны в кольце из диффузионно связанных пороговых нейронов.

2.2. Колебания в сети из пороговых нейронов на плоскости

3. Сети из непрерывных нейронов Винера

3.1. Непрерывная модель нейрона Винера.

3.2. Кольцо из трех непрерывных нейронов Винера.

3.3. Волны в клеточной нейронной сети из непрерывных нейронов Винера.

Введение диссертации (часть автореферата) на тему «Моделирование проведения волн возбуждения по средам, элементы которых описываются уравнениями с запаздыванием»

В работе рассматриваются модели распространения импульсов (возбуждения) по активным биологическим средам. Приведем доводы, показывающие актуальность этой проблемы.

Задача моделирования живого мозга с одной стороны очень привлекательна, с другой — невероятно сложна. Мозг человека состоит из 1011 нейронов, число связей между которыми приблизительно равно 1015. Один нейрон может быть соединен с сотнями и тысячами других нейронов. Средний размер нейрона менее 0.1 мм, а длина аксона может превышать один метр при толщине в несколько микрометров. Скорость передачи импульсов между нейронами головного мозга оценивается как 0.5 — 2 м/с [1]. Функции, выполняемые мозгом, также поражают своей сложностью и разнообразием. Имеющиеся данные о характере нейронной активности и принципах нейронных взаимодействий пока что не привели к пониманию механизмов обработки информации в мозге таких, как кодирование, запоминание, вспоминание, распознавание, принятие решений, мышление и т.д. Теория нейронных сетей является одним из перспективных направлений в теоретических исследованиях мозга [57].

Импульсный код, как показал Э. Эдриан [2], есть способ передачи сенсорной информации. На основе синаптической теории, выдвинутой Д. Хеббом [3] и развитой Дж. Экклсом [4], разработаны многочисленные модели нейронных сетей. В 1943 году У. МакКаллок и У. Питтс [5] предложили общую теорию обработки информации, основанную на нейронных сетях. В 1949 году О. Хебб [3] разработал модель обучения нейронной сети (правило Хебба). В1958 году Ф. Розенблат [6, 7] предложил модель, названную персептрон, и сформулировал правила ее обучения. Эта модель была подробно исследована в 1969 году М. Минским и С. Пейпертом [8]. В целом была дана пессимистическая оценка дальнейшего развития персептронной модели. Во всех перечисленных работах предполагается, что состояние нервной клетки полностью определяется структурой поступающего на нее воздействия. Изменение состояния возможно только в результате внешнего воздействия. Данное направление получило развитие в работах B.JI. Дунина-Барковского [9], А.А. Фролова [16, 17] и др.

Из синаптической теории вытекает, что главная особенность работы мозга в процессе восприятия, хранения и воспроизведения информации — коллективизм функционирования его структур. Принцип коллективизма отразился в моделях нейронных сетей, разработанных Дж. Хопфилдом [10] и Т Кохоненом [11]. Хопфилд предложил модель ассоциативной памяти, которая до настоящего времени вызывает большой интерес у исследователей [12, 14, 15]. В работах [13, 43] предложена осцилляторная модель ассоциативной памяти, а в [18] — вариант ассоциативной памяти, базирующийся на процессах параметрического четырехволнового смешения (four-wave mixing process). В [19, 20, 21] исследуются модели сетей из операционных усилителей. Элементы таких сетей имеют несколько входов, на которые поступают сигналы от таких же элементов. Взвешенная сумма сигналов определяет выходной сигнал. Набор выходных сигналов всех элементов есть состояние сети в каждый фиксированный момент времени. Обучение сводится к подбору весовых коэффициентов. Формирующиеся при этом устойчивые состояния равновесия рассматриваются как образы, запоминаемые сетью.

Другой взгляд на проблему хранения информации в мозге изложен в работах Н.П. Бехтеревой и А.Н. Лебедева [22, 23, 24]. Согласно этой точке зрения, кодирование информации является динамическим процессом, связанным с возникновением и разрушением ансамблей когерентно работающих нейронов. В зависимости от состояния нейрона отклик на один и тот же сигнал будет различным. Этот подход назван волновым.

Примерами сетей, функционирующих в колебательном режиме, с элементами, не обладающими собственной авторитмичностью, могут служить сети описывающие процесс распространения импульса в сердечной мышце. Элементами таких сетей являются нейрон Винера [25] или его обобщение — т-модель Кринского [26]. В указанных сетях существуют по крайней мере два вида незатухающих волн (автоволновых процесса). Это ревербератор, представляющий собой вращающуюся спиральную волну, и эхо, или ведущий центр, посылающий концентрические волны. Возникновение источников спиральных волн было теоретически предсказано в работе Н. Винера и А. Розенблюта [25], источников эха — в работе В.И. Кринского и А.В. Холопова [27]. Оба этих типа источников волн были экспериментально обнаружены A.M. Жаботинским и А.Н. Заикиным [28]. В [26, 29] изучены условия, при которых возможно размножение источников волн.

В работе [30] предложена модель, названная W-нейрон, который функционирует в дискретном времени. Сети из этих нейронов могут запоминать и воспроизводить последовательности из бинарных векторов. Колебательные режимы работы таких сетей рассмотрены в работах [31, 32]. В работах А.А. Фролова Г.И. Шульгиной и соавт. [33, 34] разработана модель нейронной сети, для которой основным условием запоминания и воспроизведения зрительной информации является периодическое воздействие на вход системы (или периодическое изменение порогов). Периодическое изменение порогов [35] позволило решить важную проблему самовоспроизведения нейронных сетей.

В рамках волнового подхода рассматриваются сети из нейронных осцилляторов. В работах известных русских физиологов А. А. Ухтомского [37] и М.Н. Ливанова [36] сформулирована гипотеза о том, что процесс обработки информации в нервной системе может описываться в терминах синхронизации активности различных нейронных структур. К. фон дер Мальсбург [38] высказал гипотезу о том, что признаки объекта кодируются синфазной (когерентной) активностью нейронов в различных областях коры мозга. По мнению исследователей осцилляторных сетей, явление синфазности станет ключевым для построения принципиально новых нейрокомпьютеров. Распределение фаз и амплитуд колебаний можно интерпретировать как код образа [39, 40]. В работе [42] показано, что при соответствующем выборе весовых коэффициентов в сети будут наблюдаться режимы, где колебания наперед выбранных элементов будут происходить в фазе, а остальных — в противофазе. Подробный обзор, посвященный сетям из осцилляторов, близким к гармоническим представлен в [41]. Осцилляторные сети используются для решения многих задач: сегментация зрительных сцен [44, 45], создание моделей зрительного внимания [46, 47], осцилляторная реализация детекции новизны в гиппокаме [48], модель функционирования зрительной коры [49], построение моделей двигательной системы [50], обонятельной системы [51].

Однако, следует отметить, что колебания, близкие к гармоническим, не типичны для нервной системы. В нормальном состоянии нейроны генерируют кратковременные импульсы — спайки. Кроме того, в нервной системе как отдельные нейроны, так и нейронные ансамбли обладают свойством абсолютной и относительной рефрак-терности (невосприимчивости или слабой восприимчивости к внешнему воздействию. Рефрактерность учитывается в модели Н. Винера и А. Розенблюта [25], т-модели Кринского [26] , «базовой модели» (В.И. Крюков, Г.Н. Борисюк и соавт. [52]) и др.

В работах Г.Р. Иваницкого, В.И. Кринского A.M. Жаботинского и др. описан процесс проведения волн по активным средам. Такие волны распространяются без затухания за счет запасенной в среде энергии. Основное свойство возбудимых сред — рефрактерность делает невозможными интерференцию и отражение волн. Через некоторое время после прохождения волны свойства среды полностью восстанавливаются, что делает возможным распространение новой волны. В установившемся режиме характеристики волны: период, длина волны, амплитуда и форма — зависят только от локальных свойств активных сред и не зависят от начальных условий. Такая специфика отражена в названии — «автоволны» [53]. Автоволновые процессы лежат в основе передачи информации в биологических системах [79]. Интенсивно изучаются ритмические процессы и автоволны в мозге [54]. Особый класс автоволн представляют собой волны в активных средах, элементы которых обладают собственной памятью. Примером подобных «неклассических»автоволн являются популяционные автоволны [55]. В [57] дан подробный обзор автоволновых процессов, приведены математические модели автоволн, основанные на уравнениях в частных производных параболического типа, сделан вывод о том, что свойства живых клеток: память, таксис (реакция на внешние раздражители), подвижность и размножение — могут найти применение в новых поколениях информационных систем. Следовательно, автоволны являются основой для создания нового класса интеллектуальных автоматов. В монографии [56] описываются так называемые автоволновые нейронные сети. Показано, что автоволны обеспечивают естественную параллельность, высокое быстродействие и надежность при обработке изображений.

Широкий обзор моделей динамики нейронной активности представлен в [58].

Работы Е.М. Ижикевича и Г.Г. Малинецкого [60, 61] посвящены моделям нестационарных сетей, элементами которых являются нейроны со стохастической динамикой. Показано, что данные сети выгодно отличаются от классических в плане борьбы с ложными образами.

В работе Е.А. Тимофеева и др. [59] предложена и исследована модель нейронной сети, состояние которой описывается пространственным распределением плотностей случайных бинарных потоков, генерируемых нейронами. На входах каждого нейрона потоки по определенному правилу смешиваются со случайными потоками, исполняющими роль синаптических весов, после этого формируется выходной поток нейрона.

На основе записей ионных токов при фиксации потенциала А. Ходж-кин и А. Хаксли построили феноменологическую модель мембраны аксона кальмара в виде системы из четырех дифференциальных уравнений [62]. Эта модель до сих пор является одним из наиболее точных описаний процесса генерации спайков. Впоследствии были построены аналоги уравнений Ходжкина-Хаксли для других возбудимых мембран: волокна Пуркинье сердца, перехвата Ранвье, скелетного мышечного волокна и др. Модель Ходжкина-Хаксли и ее аналоги — сложные нелинейные системы, допускающие только численное исследование. Упрощением этой модели является модель Фитц-Хью. В [79] с помощью разделения быстрых и медленных движений количество уравнений в системе, описывающей мембрану, сокращено до двух. Анализ их фазовых портретов позволяет исследовать многие электрофизиологические характеристики моделей мембран, которые ранее изучались лишь численными методами.

В работах Р.А. Тикиджи-Хамбурьяна [83] используется упрощенная модель импульсного нейрона, основанная на обыкновенном дифференциальном уравнении, для моделирования сетей, имитирующих функционирование релейного ядра таламуса.

В работах Г.В. Шабаршиной [73, 74] в качестве модели нейронов предлагаются нейронные клеточные автоматы, схема функционирования которых имитирует импульсные нейроны. Показано, что сети из таких элементов являются гибкими системами для хранения последовательностей импульсов.

В работах В.В. Майорова и И.Ю. Мышкина [63, 64] предложена модель импульсного нейрона, основанная на дифференциальном уравнении с запаздыванием. Впервые идея моделировать динамику нейронов на основе таких уравнений использовалась в работе А.Н. Лебедева и В.А. Луцкого [65]. В модели Ходжкина-Хаксли эффекта задержки добивались, используя «цепочку»дифференциальных уравнений. В работах [66, 67, 68, 69] рассматриваются сети из нейронов, модель которых предложена в [63]. Образами в таких сетях служат колебательные режимы, информация хранится в динамическом виде. При этом удалось решить следующие задачи: показана возможность хранения наперед заданной периодической последовательности импульсов, предложена модель синхронизации одинаковых нейронных структур, модель кольцевой популяции из нейронных модулей, в которой без подстройки весов временно могут храниться последовательности импульсов (кратковременная волновая память), модель восприятия информации: внешняя последовательность импульсов, действуя на нейронную систему, находящуюся в шумовом режиме, порождает колебания, несущие на себе черты внешнего воздействия. Система уравнений с запаздыванием, описывающая нейронную популяцию, допускает возможность не только компьютерного, но и аналитического исследования с помощью асимптотических методов.

Обобщение модели импульсного нейрона [63] рассматривается в работах Н.С. Лагутиной [88], в которых предложена новая модель взаимодействия нейронов, достаточно детально отражающая некоторые характеристики биологического нейрона.

Модель импульсного нейрона, основанного на дифференциальном уравнении с запаздыванием, зависящем от неизвестной функции, предложена в работе И.В. Парамонова [89].

Согласно гипотезе о волновой природе памяти (А.Н. Лебедев [23, 24]) воспринимаемые сведения записываются и хранятся в ней в виде устойчивых комбинаций из различающихся фазами когерентных незатухающих волн нейронной активности. Каждая комбинация является отдельным элементом нейронного кода памяти и представляет собой циклическую последовательность волн.

Перечисленные факты послужили основой для разработки новых математических моделей проведения волн возбуждения по средам, элементы которых описываются дифференциальными уравнениями с запаздыванием. Полученные результаты являются актуальными:

1. В плане дальнейшего изучения процессов распространения волн импульсов в моделях нейронных сетей.

2. В плане разработки новых математических моделей, адекватно описывающих процессы в биологических системах. Результаты исследования согласуются с биологическими данными.

Представленные в диссертации исследования проведены в рамках волнового подхода к проблеме обработки информации. Характер работы определялся поставленными в работе целями: разработать и исследовать модели сальтаторного проведения возбуждения; изучить волновые режимы в клеточных сетях из пороговых нейронов; разработать и исследовать непрерывную модель нейрона Винера; изучить волновые режимы в сетях из непрерывных нейронов Винера.

Научная новизна работы заключается в следующем:

- предложены и исследованы две модели сальтаторного проведения возбуждения;

- изучены периодические режимы в клеточных сетях из диффузионно связанных пороговых нейронов;

- предложена и исследована непрерывная модель нейрона Винера;

- изучены волновые режимы в сетях из непрерывных нейронов Винера.

Исследования позволили решить важные конкретные задачи. Наибольший интерес из них представляют следующие положения:

1. Обе модели сальтаторного проведения возбуждения: точечная и распределенная — адекватно описывают процесс распространения импульса по миелинизированному аксону.

2. В клеточных сетях из диффузионно связанных пороговых нейронов могут распространяться незатухающие волны нейронной активности.

3. Волновые режимы в сетях из непрерывных нейронов Винера соответствуют распространению импульса в сердечной мышце.

В силу специфики задачи на первый план выходят методы асимптотического интегрирования дифференциальных уравнений с запаздыванием, методы имитационного моделирования, нелинейной динамики, методы исследования разностных уравнений. В частности, специальный метод большого параметра, предложенный С. А. Кащенко [70, 71]. Анализ биологических данных позволяет выбрать я фазовом пространстве множество начальных условий. Строится оператор последования, описывающий динамику системы. Доказывается, что он переводит выбранное множество начальных условий в себя. В итоге, задача сводится к анализу конечномерного отображения.

Работа носит теоретический характер. Результаты могут быть использованы для моделирования проведения волны возбуждения в нейронных структурах. Они могут найти применение при создании новых сред для обработки информации, представленной в виде колебательных режимов динамических систем.

Результаты работы были представлены на VI Всероссийской научно-технической конференции «Нейроинформатика-2004», на 11-ом Всероссийском семинаре «Нейроинформатика и ее приложения»(Красноярск, 2003), Всероссийской научной конференции, посвященной 200-летию Ярославского Государственного университета им. П.Г. Демидова.

По теме исследования опубликовано 10 статей.

Краткое содержание работы.

Работа состоит из трех глав, заключения и списка литературы.

В первой главе рассматриваются математические модели сальта-торного проведения возбуждения.

В разделе 1.1 дается понятие о сальтаторном проведении, описывается процесс проведения импульса по миелинизированному аксону.

В разделе 1.2 приводится модель порогового нейрона, используемая для описания динамики мембранного потенциала перехвата Ран-вье. Доказывается, что положение равновесия в уравнении, описывающем динамику порогового нейрона, экспоненциально устойчиво.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Ануфриенко, Сергей Евгеньевич

Заключение

В работе предложены и исследованы математические модели, основанные на дифференциальном уравнении с запаздыванием. Они описывают процессы, происходящие в биологических нейросетях. Уравнения допускают аналитическое исследование при помощи специального метода пошагового асимптотического интегрирования.

Построены и исследованы две модели сальтаторного проведения возбуждения: точечная и распределенная. В первой модели перехваты Ранвье и миелинизированные участки считаются точечными объектами. Система уравнений, описывающая динамику модели, содержит обыкновенные дифференциальные уравнения и дифференциальные уравнения с запаздыванием. Во второй модели считается, что миелинизированные участки имеют длину, поскольку размеры перехватов Ранвье намного меньше расстояний между ними. Для описания динамики мембранных потенциалов миелинизирован-ных участков используются уравнения в частных производных параболического типа с краевыми условиями третьего рода. Построены решения обеих систем.

Показано, что по кольцу из диффузионно связанных пороговых нейронов при специально подобранных начальных условиях распространяется периодическая волна нейронной активности, когда нейроны генерируют спайки в естественном порядке возрастания номеров. Изучены волновые процессы в клеточных сетях из диффузионно связанных пороговых нейронов. Предложено несколько периодических режимов, описана их структура, результаты проиллюстрированы.

Предложена и исследована непрерывная модель нейрона Винера. Показано, что она хорошо описывает динамику нейрона Винера. Изучены волновые режимы в кольце из трех непрерывных нейронов Винера и клеточной сети из таких нейронов. Описано несколько периодических режимов, результаты проиллюстрированы.

Получены следующие результаты:

1. Обе модели сальтаторного проведения возбуждения адекватно описывают процесс распространения импульса по миелинизирован-ному аксону.

2. В сетях из диффузионно связанных пороговых нейронов изучены незатухающие периодические режимы.

3. Непрерывная модель нейрона Винера хорошо описывает динамику классического нейрона Винера. Волны в сетях из непрерывных нейронов Винера описывают процесс распространения импульса в сердечной мышце.

Список литературы диссертационного исследования кандидат физико-математических наук Ануфриенко, Сергей Евгеньевич, 2004 год

1. Антонов В.Ф., Черный A.M. Биофизика. М.: Владос, 2000. 451 с.

2. Adrian E.D. Electrical activity of the nervous system // Arch. Neurol. and Psychiatr., 1934. V. 34. №6. P. 1125-1136.

3. Hebb D.O. The organization of behaviour: neuropsychological theory. N.Y.: J. Wiley and Sons, 1949. 335 p.

4. Экклс Дж. Физиология синапсов. М.: Мир, 1966. 395 с.

5. McCulloch W.A., Pitts W. A logical calculus of ideas immanents in nervous activity // Bull. Math. Biophys., 1943. №5. P. 115-133.

6. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain // Psychological Review, 1958. №65. P. 386-408.

7. Розенблат Ф. Принципы нейродинамики. M.: Мир, 1965. 480 с.

8. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. 264 с.

9. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука, 1978, 166 с.

10. Hopfield J.J. Neural networks and physical systems mith emergent collective computational abilities // Proc. Nat. Acad. Sci. USA, 1982. V. 79. №8. P. 2554-2558.

11. Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics, 1982. №43. P. 59-69.

12. Крыжановский Б.В., Кошелев В.Н. Адаптивные свойства рандомизированной модели Хопфилда // Сборник научных трудов III Всероссийской научно-технической конференции «Нейроинформатика-2001». 4.1. М.: МИФИ, 2001. С. 46-54.

13. Ritz R., Gerstner W., van Hemmen J. Associative binding and segregation in neural network of spiking neurons //In Models of Neural Networks, Eds. E. Domany, J.L. van Hemmen, K. Schulten.-Springer, New York, 1994, pp. 175-219.

14. Фролов А.А., Муравьев И.П. Нейронные модели ассоциативной памяти. М.: Наука, 1987. 160 с.

15. Фролов А.А., Муравьев И.П. Информационные характеристики нейронных сетей. М.: Наука, 1988. 156 с.

16. Фролов А.А. Структура и функции обучающихся нейронных сетей// Нейрокомпьютер как основа мыслящих ЭВМ. М.: Наука, 1993. С. 92-110.

17. Крыжановский Б.В., Микаэлян A.JI. О распознающей способности нейросети на нейронах с параметрическим преобразованием частот // Доклады РАН. 2002. Т. 383(3). С. 318-321.

18. Hopfield J.J. Neurons with gradual response have collective computational properties line those of two-state Neurons. Ibid. 1984. V.81. P. 3088-3092.

19. Chua L., Yang L. Cellular neural networks: Theory // IEEE Transactions on circuits and systems, 1988. V. 35. №10. P. 1257-1272.

20. Chua L. О., Yang L. Cellular neural networks: Applications // IEEE Transactions on Circuits and Systems, 1988. V. 35. P. 1273.

21. Бехтерева Н.П. Здоровый и больной мозг человека. М.: Наука, 1980. 208 с.

22. Лебедев А.Н. Память человека, ее механизмы и границы // Исследование памяти. М.: Наука, 1990. С. 104-118.

23. Лебедев А.Н. О физиологических основах восприятия и памяти // Психол. журн. 1992. №2. С. 30-41.

24. Винер Н., Розенблют А. // Кибернетический сборник. Вып.З. М.: ИЛ, 1961. С. 3-56.

25. Кринский В.И. Распространение возбуждения в неоднородной среде (режимы, аналогичные фибрилляции сердца) // Биофизика, 1966. Т. 11. С. 676-683.

26. Кринский В.И., Холпов А.В. Явление эха в возбудимой ткани // Биофизика, 1967. Т. 12. С. 524-528.

27. Жаботинский A.M., Заикин А.Н. Пространственные эффекты в автоколебательной химической системе // Колебательныепро-цессы в биологических и химических системах, т 2. Пущинский научный центр, 1971. С. 279-283.

28. Кринский В.И. Фибрилляция в возбудимых средах // Проблемы кибернетики, 1968. №20. С 59-80. сердца) // Биофизика, 1966. Т. 11. С. 676-683.

29. Майоров В.В., Шабаршина Г.В. Сообщение о сетях W нейронов // Моделирование и анализ информационных систем. Ярославль, 1997. Т. 4. С. 37-50.

30. Майоров В.В. Шабаршина Г.В. Простейшие режимы пачечной волновой активности в сетях W-нейронов // Моделирование и анализ информационных систем. Ярославль, 1999. Т. 6. №1. С. 36-39.

31. Майоров В.В. Шабаршина Г.В. Сети W-нейронов в задаче хранения и воспроизведения периодических последовательностей бинарных векторов // Моделирование и анализ информационных систем. Ярославль, 2000. Т. 7. №2. С. 26 37.

32. Шульгина Г.И., Понамарев В.Н., РезвоваИ.Р., Фролов А.А. Влияние фоновой активности сети из возбудительных нейроподоб-ных элементов на проведение по ней возбуждения // ЖВНД, 1988. Т. 38. С. 715-724.

33. Шульгина Г.И. Исследование роли ритмической активности в процессах фиксации и воспроизведения информации на модели из нейроноподобных элементов // ДАН СССР, 1990. Т. 312. №5. С. 1275-1279.

34. Ливанов М.Н. Нейронные механизмы памяти // Успехи физиол. наук, 1975. Т. 6. С. 66-89.

35. Ухтомский А.А. Доминанта. М.: Наука, 1966.

36. Malsbburg С. v.d. The correlation theory of brain function // Intrnal Report 81-2, Department of Neurobiology, Max Planck Institute for Biology Chemistry, 1981.

37. Kryukov V.I. Short-term memory as a metastable state. Neurolo-cator, a model of attention //In: Cybernetics systems'88, 1988. P. 999-1006. Kluwer Academic Publisher.

38. Malsburg C. v.d., Schneider W. A neural cocktail-party prosessor //Biol. Cybern., 1986. V. 54. P. 29-40.

39. Борисюк Г.Н., Борисюк P.M., Казанович Я.Б. и др. Осцилятор-ные нейронные сети. Математические результаты и приложения // Математическое моделирование, 1992. Т. 4. №1. С. 3-43.

40. Baird В. A bifurcation theory approach to the programming of periodic attractors in network models of olfactory cortex // In: Advances in Neural Inform. Proc. Syst., 1989. P.459-467. Morgan Kaufmann Publishers Inc. CA.

41. Kazanovich Ya.B., Kryukov V.I., Luzianina T.B. Synchronization via phase-locking in oscillatory models of neural networks // In: Neurocomputers and attention I. Neurobiology, Synchronization and Chaos, 1991. P. 269-284. Manchester University Press. UK.

42. Borisyuk R.M., Kazanovich Y.B. Oscillatory neural network model of attention focus formation and control // BioSystems, 71, 29-38, 2003.

43. Wang D.L., Terman D. Image segmentation based on oscillatory correlation // Neural Comput., 9, 805-836, 1997.

44. Wang D.L. Object selection based on oscillatory correlation // Neural Comput., 12, 579-592, 1999.

45. Kryukov V.I. An attention models based on the principle of dom-inanta // In: Neurocomputers and attention I. Neurobiology, Synchronization and Chaos Eds. A.V. Holden, V.I. Kryukov. Manchester University Press, Manchester, 1991, pp. 319-352.

46. Yuasa Н., Ito М. Coordination of many oscillators and generation of locomotory patterns // Biol. Cybern., 1990, V. 63, №3, P. 177-184.

47. Yao Y., Freeman W.J. Model of biological pattern recognition with spatially chaotic dynamics // Neural Networks, 1990, V. 3, №2, P. 153-170.

48. Крюков В.И., Борисюк Г.Н. и др. Метастабильные и неустойчивые состояния в мозге //Пущино, 1986. 112 с.

49. Иваницкий Г.Р. Нейроинформатика и мозг. М.: Знание, 1991.

50. Абарбанель Г.Д.И., Рабинович М.И., Сельверстон А. и др. Синхронизация в нейронных ансамблях // УФН, 1996. Т. 166. №4. С. 363-389.

51. Иваницкий Г.Р., Медвинский А.Б., Цыганов М.А. От беспорядка к упорядоченности — на примере движения микроорганизмов // УФН, 1991. Т. 161. т. С. 13-71.

52. Биотехника — новое направление компьютеризации. М.: Наука, 1990.

53. Иваницкий Г.Р., Медвинский А.Б., Цыганов М.А. От динамики популяционных волн, формируемых живыми клетками к нейро-информатики // УФН, 1994. Т. 164. №10. С. 1041-1071.

54. Борисюк Г. Н., Борисюк Р. М., Казанович Я. Б., Иваницкий Г.Р. Модели динамики нейронной активности при обработке информации мозгом — итоги «десятилетия»// УФН, 2002. Т. 172. №10. С. 1189-1214.

55. Тимофеев Е.А. Моделирование нейрона, передающего информацию плотностью потока импульсов // Автоматика и телемеханика, 1997. №3. С. 190-199.

56. Ижикевич Е.М., Малинецкий Г.Г. Модель нейронной сети с хаотическим поведением // Преп. Ин. прикл. матем. им. Келдыша РАН N 17. Москва, 1993. 32 с.

57. Ижикевич Е.М., Малинецкий Г.Г. О возможной роли хаоса в ней-росистемах // Докл. АН России, 1992. Т. 326. №4. С. 626-632.

58. Hodgkin A., Huxley A. A quantitative description of membranew current and its application to conduction and excitation in nerve // J. Physiol., 1952, 117, p. 500-544.

59. Майоров В.В., Мышкин И.Ю. Об одной модели функционирования нейронной сети // Модел. динам, попул. Н.Новгород, 1990. С. 70-78.

60. Майоров В.В., Мышкин И.Ю. Математическое моделирование нейронов сети на основе уравнений с запаздыванием // Математическое моделирование, 1990. Т.2. №11. С. 64-76.

61. Лебедев А.Н., Луцкий В.А. Ритмы ЭЭГ — результат взаимодействия колебательных процессов // Биофизика, 1972, т. 17, №3, с. 556-558.

62. Кащенко С.А., Майоров В.В. Исследование дифференциально-разностных уравнений, моделирующих импульсную активность нейрона // Математическое моделирование, 1993. Т.5. №12. С. 13-25.

63. Кащенко С.А.,Майоров В.В., Мышкин И.Ю. Исследование колебаний в кольцевых нейронных системах // Докл. Российской АН, 1993. Т. 333. №5. С. 594.

64. Майоров В.В. Самоорганизация колебаний в кольцевой системе из однородных нейронных модулей. Часть 1. Модель нейронов ивзаимодействия между ними // Изв. вузов. Прикладная нелинейная динамика, 1999. Т. 3. №4. С. 87-96.

65. Кащенко С.А., Майоров В.В. Волновые структуры в кольцевых системах из однородных нейронных модулей // Докл. Российской АН, 1995. Т. 342. №3. С. 318-321.

66. Кащенко С.А. Об установившихся режимах уравнения Хатчинсона с диффузией // Докл. АН СССР, 1987, т. 292, №2, с. 327-330.

67. Кащенко С.А. О сложных периодических решениях дифференциально-разностных уравнений с малой диффузией // Докл. АН СССР, 1989, т. 306, №1, с. 35-38.

68. Эккерт Р., Рэнделл Д., Огастин Дж. Физиология животных. М.: Мир, 1991. 4.1. 424 с.

69. Шабаршина Г.В. Проведение возбуждения по кольцевой структуре нейронных клеточных автоматов // Моделирование и анализ информационных систем. Ярославль, 1994. №2. С. 116-121.

70. Шабаршина Г.В. Волновые структуры в полносвязной однородной сети нейронных клеточных автоматов возбудительного типа // Математическое моделирование и анализ информационных систем. Ярославль, 1997. №4. С. 3-11.

71. Ходжкин A.JI. Нервный импульс. М.: Мир, 1965. 125 с.

72. Ходоров Б.И. Общая физиология возбудимых мембран. М.: Наука, 1975. 406 с.

73. Шаде Дж., Форд. Основы неврологии. М.: Мир, 1976. 350 с.

74. Тасаки И. Нервное возбуждение. М.: Мир, 1971. 222 с.

75. Иваницкий Г.Р., Кринский В.И., Сельков Е.Е. Математическая биофизика клетки. М.: Наука, 1978. 310 с.

76. Яхно В.Г. ободной модели ведущего центра // Биофизика, 1977, 20, с. 669-674.

77. Кащенко С.А., Майоров В.В., Мячин M.JI. Колебания в системах уравнений с запаздыванием и разностной диффузией, моделирующих локальные нейронные сети // Доклады РАН, 1995, т. 344, №3, с. 1274-1279.

78. Майоров В.В., Мышкин И.Ю., Мячин M.JL, Куксов А.Г. Планирование волн в кольцевых структурах ассоциаций импульсных нейронов-детекторов // Сборник научных трудов V Всерос-сйской научно-технической конференции «Нейроинформатика-2003». М.: МИФИ, 2003.

79. Тикиджи-Хамбурьян Р.А. Анализ влияния генератора спайков на динамические свойства модифицированного импульсного нейрона // Сборник научных трудов V Всероссийской научно-технической конференции «Нейроинформатика-2003». 4.1. М.: МИФИ, 2003. С. 123-129.

80. Блюм Ф., Лейзерсон А., Хофстефер Л. Мозг, разум и поведение. М.: Мир, 1988. 191 с.

81. Хьюбел Д. Глаз, мозг, зрение. М.: Мир, 1990. 239 с.

82. Тихонов А.Н., Самарский А.А. Уравнения математической физики. М.: Наука, 1972. 736 с.

83. Михайлов В.П. Дифференциальные уравнения в частных производных. М.: Наука, 1983. 424 с.

84. Ануфриенко С.Е. Непрерывная модель нейрона Винера // Моделирование и анализ информационных систем. Ярославль, 1994. Вып. 2. С. 16-20.

85. Ануфриенко С.Е. О системе уравнений с запаздыванием, моделирующей сеть нейронов Винера // Моделирование и анализ информационных систем. Ярославль, 1998. Вып. 5. С. 12-16.

86. Ануфриенко С.Е. Исследование модели сети нейронов Винера, основанной на уравнении с запаздыванием // Актуальные проблемы естественных и гуманитарных наук XXI века. Математика. Информатика и вычислительная техника. Ярославль, 2000. С. 32-33.

87. Ануфриенко С.Е., Майоров В.В., Мышкин И.Ю., Громов С.А. Исследование системы уравнений с запаздыванием, моделирующей сальтаторное проведение возбуждения // Моделирование и анализ информационных систем. Ярославль, 2004. Т. 11. №1. С. 3-7.

88. Ануфриенко С.Е., Новиков A.M. Исследование распределенной модели сальтаторного проведения возбуждения // Современные проблемы математики и информатики. Ярославль, 2004. Вып. 6. С. 74-80.

89. Ануфриенко С.Е., Сорокина Е.В. Организация колебательного процесса в нейронном кольце // Современные проблемы математики и информатики. Ярославль, 2004. Вып. 6. С. 81-86.

90. Ануфриенко С.Е. Колебания в сети из пороговых нейронов // Моделирование и анализ информационных систем. Ярославль, 2004. Т. И. №2. С. 3-7.

91. Ануфриенко С.Е. Непрерывный нейрон Винера в задаче о сальтаторном проведении возбуждения // Сборник научных трудов VI Всероссийской научно-технической конференции «Нейроинформатика-2004». Ч. 1. М.: МИФИ, 2004. С. 71-74.

92. Ануфриенко С.Е. Клеточная сеть из непрерывных нейронов Винера // Сборник научных трудов. Нейроинформатика и ее приложения. Материалы XI Всероссийского семинара. Красноярск: ИПЦ КГТУ, 2003. С. 13-14.