weixin_46263718的博客

原创 神经动力学模型的建立

神经动力学模型的建立1.通用模型建立平台GENESIS（通用神经模拟系统的缩写）是一个通用模拟平台，旨在支持从亚细胞成分和生化反应到单个神经元的复杂模型、大型网络模拟和系统级模型的神经系统模拟。DynaSim是一个开源的 MATLAB/GNU Octave 工具箱，用于神经模型的快速原型设计和批量仿真管理。 它旨在加速和简化具有一个或多个compartment的神经元网络模型的生成、共享和探索过程。2.模型结构：1.细胞层面上low-level组件模拟2.将low-level组件链接到单个神经元

原创 对神经元和spike信号进行建模

对神经元和spike信号进行建模我们的目标是建立一个简化的符合真实生物学意义的神经元模型—其中包括一个胞体，一个收集其他神经元输入的树突，以及一个将胞体内或附近产生的动作电位传递给其他神经元的轴突。我们需要将这种生物学上的联结用电路图的形式进行处理。RC电路（一）— 被动细胞膜细胞膜是脂质双层的，而磷脂和脂肪都是非常好的绝缘体，其中嵌入的离子通道会选择性的让离子通过，从而出现电流交换，但是在被动细胞膜的前提下我们不考虑离子通道，只考虑穿透细胞膜本身的微小电流。细胞膜本身可以被看作储存电流的电

原创 计算spike train里的信息

计算spike train里的信息在上一节中提到了有关熵和spike train的基本概念以及从单个spike中利用互信息这一策略提取信息，因此这一节将着重介绍有关spike patterns的信息提取。spike patternsspike patterns可以理解为一系列0和1组成的序列（如图上1），而我们记录到的原始数据一般都是如图上2一样，因此需要采取一些策略来完成频域到时域的转换：选取一段时间间隔为Δt\Delta tΔt的窗口切分我们的频域图，时间间隔内存在spike响应记为1，反之

原创 神经元内信号传递的计算模型-HH模型

神经元内信号传递的计算模型-HH模型神经元动力学可以被设想为一个总和过程(有时也称为“集成”过程)，并结合一种触发动作电位高于临界电压的机制。在这里主要介绍Hodgkin Huxley模型模拟离子通道，膜电势的改变。原理基础知识细胞膜两侧离子浓度差产生了电势差，该电势差被称之为电位，而膜电位的改变与Na+Na^+Na+、K+K^+K+、leaky(以cl−cl^-cl−为代表）的三种通道的流入流出息息相关，Na+Na^+Na+通道有激活和失活两个门控开关，K+K^+K+通道只有激活门；每个离子通道

原创 熵和spike train---信息和熵

熵和spike train—信息和熵在这一节中我们将利用信息理论来探索神经系统的编码特性。spike train：在一个时间序列中，我们在给定的timebin上标记有无spike出现，此时问题转换为yes or no question，即我们可以用二元变量对于spike train进行描述这里的P(1)P(1)P(1)是假设spike出现在某个timebin里的概率，P(0)P(0)P(0)指的是某个timebin没有fire（即为沉默状态）的概率information(1)informati

原创 神经解码---刺激重构

神经解码—刺激重构之前一节提到了利用贝叶斯估计进行神经解码的策略，那么此时我们对于这种情况做出一下拓展：此时我们用于解码的是连续时间下的神经信号响应我们希望根据响应找出刺激s的最佳估计值sbayess_{bayes}sbayes​我们的解决方案：由于是连续时间下的神经信号响应，因此计算sbayess_{bayes}sbayes​时我们需要的是一个被平均了的，尽可能接近真实刺激的估计量为了使我们的sbayess_{bayes}sbayes​不断接近真实刺激，我们在这里引入误差函数这里引入均方

原创 群体编码和贝叶斯估计

群体编码和贝叶斯估计引入之前我们所学习到的都是针对单个神经元放电的解码模型，但是现实生活中将会有许多神经元参与我们的决策，也就意味着我们需要考虑群体编码这一效应。群体编码在这里我们引入蟋蟀系统，蟋蟀腹后部的cercai可以将风速转换为神经元电信号从而引发其逃避捕食者的机械运动。我们将神经元放电响应与风向和蟋蟀夹角作图（为简便，我们这里用最大值rmaxr_{max}rmax​来规范化响应），发现这群神经元的调谐曲线分四种，神经元在四个主要方向具有峰值响应。 分别是呈45 度角的四个方向。不难发现

原创 神经解码和信号检测理论

神经解码和信号检测理论引入在之前的内容里我们了解了神经编码模型，即一个刺激如何引起神经环路一系列的响应。因此从本节开始我们将聚焦于神经解码，即通过神经环路的一系列响应辨别不同的刺激。我们先来引入一个案例：假设你在公园里散步，听到了沙沙声，此时可能是微风也可能是一只躲在暗处的老虎，你需要做出继续走还是逃跑的这一决定。我们把这个过程数学化—假设我们可以沿着某个轴排列所有可能的沙沙声。此时我们的依据只有上图的声音，那么我们如何进行选择呢？这是一个经典的依据嘈杂的感觉信息进行动作决策的实验。同样的我

原创 简单神经编码模型---可变性

简单神经编码模型—可变性引入我们首先来回顾一下上一节的内容：1.我们案例中的刺激是观看电影时视网膜产生的自然刺激，而我们在建立模型时将输入刺激用高斯白噪声替代；这是因为无论我们如何过滤高斯白噪声，它都将保持高斯；换句话说，它没有特殊的结构，刺激集本身没有方向。2.1 通过不同时间点白噪声取值的线性组合，我们最终找到了spike-triggered average作为触发响应的表征，选定过滤器fff。2.2 我们还可以使用PCA选取主要的刺激成分，降低维度，选定过滤器fff3.利用spike分布

原创 简单神经编码模型---特征选择

简单神经编码模型—特征选择引入回顾一下我们在简单编码神经模型中的目标：构建一个由特定神经元产生的单个spike的响应模型，即一个encoding模型我们将考虑在特定时间t，刺激s下观察到的单个spike的概率r(t)。回到模型实际应用方面，假设我们这里所建立的模型是基于视网膜对于视觉信号的处理，换句话说我们想要通过建模来仿真观看电影时某个特定神经元的响应过程。由于我们的模型是基于条件概率，那么就意味着会出现很多种可能的刺激源，而把每种响应值都采样又是不太可能的；因为随着可能的刺激类别增多，尤其是

原创 简单神经编码模型

神经编码引入我们可以简单的用encoding—decoding理论描述大脑的神经元活动：encoding：一个刺激如何引起神经环路一系列的响应？显然易见，这是关于"how"也就是建立机械模型的问题。decoding：通过神经环路的一系列响应我们该如何辨别不同的刺激？换句话说，我们怎么通过计算重构大脑的信息处理过程？比如说一个用来驱动机械臂的神经假肢，其工作将是读取一些神经数据的测量并激活手臂以朝着那个人的预期方向移动。因此我们的目标可以分为构建探究机制的encoding模型，以及实际应用的de

原创 三种计算神经生物模型

三种计算神经生物模型计算神经科学的主要研究目的， 是用计算术语描述大脑是如何指导行为的。而这具体又分为三个层次：描述神经系统在这个过程中做了什么—“what” model确定神经系统在这个过程中如何运转—“how” model理解神经系统在这个过程中为何如此运转—“why” model根据这三个层次，我们将计算神经生物模型分为三种：描述性模型，机械模型，解释性模型案例引入为了更好的理解这三种模型，我们首先引入一个案例。我们将一个微小电极植入到猫大脑最后部的视觉区，同时给予猫一个视觉刺

原创 深度学习---从入门到放弃（九）RNN入门

深度学习—从入门到放弃（九）RNN入门1.RNN简介RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。回想一下我们之前说到过的CNN，它可以通过在空间上共享参数的形式减小计算资源；RNN也是如此，不同于CNN基于空间的权值共享，RNN是基于时间来进行这个过程的。RNN 是在时间序列上运行的模型，并且能够记住过去的输入。他们还通过在每个时间步长上使用相同的权重来保存参数。上图显示了RNN可以通过“上下文”来进行缺失词的补全，且其具有权值共享的特点（U、V

原创 深度学习---从入门到放弃（八）使用CNN进行人脸识别

深度学习—从入门到放弃（八）使用CNN进行人脸识别问题重述假设我们需要进行面部识别系统的开发，我们的思路如下：有一个有K个人的人脸数据的数据集进行人脸识别时我们先有一个输入图像输出图像为输入图像在数据集里的分类标签针对整个思路我们又面临着如下的挑战：人的个数多但是数据集里每一个人对应的图像又很少，即数据量小，我们需要在给定较少输入图像的情况下进行人脸识别鉴于以上，我们不选择简单的分类器，而是选择CNN，让CNN去学习相似度（类似于聚类）使用 CNN 进行人脸识别大型 CNN 的一

原创 深度学习---从入门到放弃（七）CNN进阶，迁移学习

深度学习—从入门到放弃（七）CNN进阶，迁移学习引入图像是高维的。即image_length* image_width*image_channels是一个很大的数字，而上一教程里所提到的CNN的权值共享便是一种解决图像和其他领域高维问题的方法。在CNN网络结构的演化上，出现过许多优秀的CNN网络，本文的目的就是带大家了解现代卷积神经网络的发展历程，本文主要关注以下四种网络：LeNet，AlexNet，VGG-Net，GoogLeNet，ResNet。1....

原创 深度学习---从入门到放弃（六）CNN入门

深度学习—从入门到放弃（六）CNN、RNN入门

原创 深度学习---从入门到放弃（五）正则化

深度学习—从入门到放弃（五）正则化1.正则化引入在说到正则化的概念之前，我们先来回想一下我们花费力气建立神经网络的目的是什么？我们之所以建立模型，那么肯定是希望它能处理真实世界里的数据，换言之，也就是网络的泛化。那么为了达到良好的泛化效果，我们究竟要让模型训练时拟合效果达到哪种程度呢？1.1 过拟合过拟合是一个普遍存在的问题，尤其是在神经网络领域，神经网络模型动辄都有上万个参数，现代的深度网络参数则更是上百万的参数，所以深度网络更容易出现过拟合现象。存在过拟合现象的网络通常无法良好的泛化，这

原创 深度学习---从入门到放弃（四）优化器

深度学习—从入门到放弃（四）优化器1.案例引入-MNIST手写数字识别现代深度学习优化中的许多核心思想（和技巧）可以在训练 MLP 以解决图像分类任务的中进行说明。在这里我们使用的是手写数字的 MNIST 数据集，上图为MNIST数据集的部分展示。1.1 网络构建思路1.网络种类：MLP通常来说在对于图片的分类上，卷积神经网络（CNN）应用更为广泛且效果更好，但是鉴于目前只了解了MLP，那么请允许我用MLP来进行引入！在这里我们选择一个只有一个隐藏层的MLP。2.数据输入我们拿到的原始数

原创 深度学习---从入门到放弃（三)多层感知器MLP

深度学习—从入门到放弃（三)多层感知器MLP1.MLP简介正式进入MLP之前，我们先来看看单个神经元组成的线性神经网络，由上图可知单个神经元的神经网络无法解决像XOR这样的非线性问题。这个时候MLP就出场了！多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐藏层，最简单的MLP只含一个隐藏层，即三层的结构。MLP最特殊的地方就在于这个隐藏层：隐藏层的激活函数例如ReLU、

原创 深度学习---从入门到放弃（二）简单线性神经网络

深度学习—从入门到放弃（二）简单线性神经网络1.基本结构就像昨天说的，我们构建深度学习网络一般适用于数据大，处理难度也大的任务，因此对于网络的结构需要有一个非常深入的了解。这里以一个分类猫狗的线性神经网络分类器作为例子：1.目标函数想象一下，如果是想要一个能够分类出猫和狗的网络，我们的最终目的是什么？应该是使用最短的时间，最好的方法来完成任务。具象的来说就是在崎岖的山上找一条最优的下山路径。在神经网络中就是指最大限度降低损失函数的路径。2.学习规则可以继续联想刚刚的下山路径，我们的目标函数是如

原创 深度学习---从入门到放弃(一)pytorch基础

深度学习—从入门到放弃(一)pytorchTensor类似于numpy的array，pandas的dataframe；在pytorch里的数据结构是tensor，即张量tensor简单操作1.Flatten and reshape###Original z: tensor([[ 0, 1], [ 2, 3], [ 4, 5], [ 6, 7], [ 8, 9], [10, 11]])Flattened

原创 数学建模预测模型实例（四）---食堂菜品推荐系统

数学建模预测模型实例（四）—食堂菜品推荐系统数学建模预测模型实例（一）—大学生体测数据模型数学建模预测模型实例（二）—表白墙影响力量化模型python预测算法—线性回归数学建模预测模型实例（三）—双色球概率预测模型数学建模预测模型实例（四）—食堂菜品推荐系统前言看到这张海报大家有没有觉得很熟悉？为了解决佩奇每天下课吃什么这一世纪难题，佩奇和奇趣多多的各位团结一心开发出了一种全新的推荐算法！在发布的这一周里大家的积极参与给了我们很多新的思路，也让我们能够不断debug，推荐功能在今天将会正式关

原创 AR-HMM模型 自回归隐马尔可夫模型

AR-HMM模型 自回归隐马尔可夫模型数据处理过程输入的视频数据首先需要被裁剪以适合动物的大小，在这之后考虑到模型建立的目的为行为状态的分类，于是需要消除可能一帧里带有多个动作状态的行为成分，这个过程也就是对帧。对帧之后我们的为了适应模型训练还需要对每一帧的数据进行小波分解（类似傅里叶变换的信号重构），此时数据预处理阶段完成。信号重构后的数据拥有的特征维度过多，因此需要应用主成分分析法（PCA）来选出对于分类结果贡献度最高的前十个分类特征。至此自回归隐马尔可夫模型的准备工作就完成了。AR-HMM自

原创 数学建模预测模型实例（三）---双色球概率预测模型

双色球概率预测模型前言最近新晋彩民佩瑞对于双色球产生了极为浓厚的兴趣，在买过几注随机号码中奖无果后，决心潜心修炼，钻研一个比较靠谱的预测方法！所以有了这篇文章，文章思路及结果仅供娱乐，请勿当真！建模思路在产生这个想法之后我首先查阅了网络上各种各样的双色球预测模型，发现了几类具有代表性的：1.基于神经网络的回归预测模型2.基于LSTM的预测模型3.基于深度学习的预测模型看到这三种预测模型是不是觉得很高深，没错！我也是这样的感觉！所以我又开始了新一轮的资料搜索，这次去详细的了解了一下有关双色球的

原创 python基础爬虫静态+动态+模拟登录

目录1.简单静态网页的爬取1.1缩略图1.2高清大图2.动态加载网站的爬取2.1selenium模拟浏览器请求2.2通过api3.selenium模拟登录前言python基础爬虫主要针对一些反爬机制较为简单的网站，是对爬虫整个过程的了解与爬虫策略的熟练过程。爬虫分为四个步骤：请求，解析数据，提取数据，存储数据。本文也会从这四个角度介绍基础爬虫的案例。1.简单静态网页的爬取我们要爬取的是一个壁纸网站的所有壁纸http://www.netbian.com/dongman/1.1

原创 有趣的python实践案例（四）--- pandas库匹配一周cp

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断wo们出python基础啦（三）—if循环语句wo们出python基础啦（四）—while循环语句有趣的python实践案例（一）—获取WiFi密码+动态二维码有趣的python实践案例（二）—turtle库绘画案例有趣的python实践案例（三）—PubMed搜索小工具二创有趣的python实践案例（四）— pandas库匹配一周cp前言大家对于一周cp这个活动应该还都不太陌生吧，今年的活动应该进

原创 有趣的python实践案例（三）---PubMed搜索小工具二创

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断wo们出python基础啦（三）—if循环语句wo们出python基础啦（四）—while循环语句有趣的python实践案例（一）—获取WiFi密码+动态二维码有趣的python实践案例（二）—turtle库绘画案例有趣的python实践案例（三）—PubMed搜索小工具二创看到上图大家有没有心动？没有错，这是佩奇的又一大作 （所以鸽了这么久都不发推送） 在一次偶然的机会下我了解到了一个开源的Pub

原创 wo们出python基础啦（四）---while循环语句

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断wo们出python基础啦（三）—if循环语句wo们出python基础啦（四）—while循环语句有趣的python实践案例（一）—获取WiFi密码+动态二维码有趣的python实践案例（二）—turtle库绘画案例前言● 前面我们学习了if分支判断和for循环语句，在这次推送中我们将继续了解循环大家庭的成员们。大家可以通过上面的流程图来了解while的作用，它就像是一个门控开关，和if相似，当条件成

原创 wo们出python基础啦（三）---if循环语句

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断wo们出python基础啦（三）—if循环语句有趣的python实践案例（一）—获取WiFi密码+动态二维码有趣的python实践案例（二）—turtle库绘画案例前言还记得咱们上节课的这个九九乘法表吗，那是这次推送的一个伏笔，这次课后相信你可以用代码给你的小弟弟妹妹们变出这份“葵花宝典”。循环如果要把循环翻译成机器语言，那他对应的可以是 for…in… ,循环就像是一个可爱的搬砖人，简单的一条

原创 有趣的python实践案例（二）---turtle库绘画案例

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断有趣的python实践案例（一）—获取WiFi密码+动态二维码有趣的python实践案例（二）—turtle库绘画案例前言天线宝宝之后竟是樱花树？继上次介绍有趣的动态二维码之后，这次奇趣多多要向大家介绍懒鬼画画工具——turtle库！顾名思义，turtle库其实就是一只勤劳的小乌龟，而我们所需要做的其实也就是给小乌龟指明方向，从而创作出像上面两种静态动态的艺术作品。话不多说，回到正题，turtle

原创 有趣的python实践案例（一）---获取WiFi密码+动态二维码

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断有趣的python实践案例（一）—获取WiFi密码+动态二维码前言​继上次的皮卡丘之后天线宝宝又来了！如大家所见，这是一个十分酷炫的动态二维码，而且还是可以扫描的哦！（直达佩奇的博客哈哈哈！）看过这么可爱的二维码之后回到我们今天的正题！大家想象一下这个场景：古时候，家里来客时，客人会问您上乘的清茗是何处寻的。而在如今的互联网时代，客人可能会亲切地问一句：您家WiFi密码是多少？因此，今日的主题便是教各位如

原创 wo们出python基础啦系列（二）---条件判断

wo们出python基础啦系列（一）—数据类型wo们出python基础啦系列（二）—条件判断前言一一得一，一二得二…乘法表口诀就像是“富强，民主，文明，和谐”一样深深烙印在每一个童年的你我心里，它又像是“天王盖地虎”–“小鸡炖蘑菇”是我们共同的暗号，当发出口令九八七十二，你答道九九归一，一不小心没接上，只自悔小时候乘法表没好好背，这篇推送我们来讲述计算机如何实现判断。一、if语句在Python程序中，用if语句实现条件判断，它相当于表达日常中‘如果’的意思，它有三种表现形式。咱们从最简单的单向判

原创 wo们出python基础啦系列（一）---数据类型

前言Python是一种计算机程序设计语言，由吉多·范罗苏姆创造，第一版发布于1991年。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python是一门容易上手的编程语言，在此我们将这门语言推荐给大家。没错这就是我们的第一篇基础教程，基稳才能楼高，大家快一起来看看吧。一、输入与输出1.在一个程序执行完成后，我们需要将结果输出到屏幕上，此时可以借助print()来实现输出print(‘此处可以是任何内容’）括号里是单引号或者双引号，此时输出端会原样显现引号之间的内容（.

原创 数模小队建模之路：如何有效参与建模比赛？

「在我们人生只有一次的二十岁青春里，能够让我们热血沸腾，永生难忘的，是与各位并肩努力的这段日子」引言自从奇趣多多这个公众号开设以来，我们也做了很多建模的案例分析与经验分享，但是没有想说把自己参加国赛和美赛的经历放进去。​直至有一天，吃麻辣烫的佩瑞突发奇想：为何不在我们的公众号纪念一下我们的建模经历呢？也算是为青春留下些许回忆。于是，有了这篇文章。以下纯属与各位交流经验和想法，若有不当请见谅。集结我们的小队很神奇，两女一男，而且还不是一个年级的，能组在一起也许有大叔烤冷面的一份功劳。本来最开始.

原创 奇趣多多

原创 数学建模预测模型实例（二）---表白墙影响力量化模型

数学建模预测模型实例–表白墙影响力量化模型数学建模预测模型实例–大学生体测数据模型python机器学习–线性回归The Leaky Integrate-and-Fire (LIF) Neuron Mode-LIF神经元模型建立模型的目的本篇文章中，假设获取到了某高校表白墙建墙以来至2020年12月21日发布的所有说说的文字内容，发布时间，点赞数，评论数。目的是通过前期数据挖掘探索性数据分析等建立表白墙影响力量化模型，进而得出发布寻物类消息的最佳时机以及持续影响力，最大影响人数等指标。数据分析的基

原创 python机器学习--线性回归

python机器学习–线性回归线性回归是最简单的机器学习模型，其形式简单，易于实现，同时也是很多机器学习模型的基础。对于一个给定的训练集数据，线性回归的目的就是找到一个与这些数据最吻合的线性函数。针对线性回归算法在之前的数模案例也有涉及喔，欢迎去看看上一篇博客数学建模预测模型实例–大学生体测数据模型OLS线性回归Ordinary Least Squares 最小二乘法一般情况下，线性回归假设模型为下，其中w为模型参数线性回归模型通常使用MSE（均方误差）作为损失函数，假设有m个样本，均方损

原创 数学建模预测模型实例（一）---大学生体测数据模型

数学建模预测模型实例–大学生体测数据模型建立模型的目的本篇文章中，假设获取到了某大学两个年级共1000人的大学生体质健康测试的每项测试成绩及总分，测试项目包括：身高，体重，肺活量，50m，1000/800，引体向上/仰卧起坐，坐位体前屈。目的是通过前期数据挖掘探索性数据分析等建立大学生体测成绩预测模型，进而在模型里添加天气（温度、湿度、风速）影响因子，模拟得出天气因素对于体测成绩的具体影响程度。数据分析基本过程包括：获取数据、数据清洗、构建模型、数据可视化以及天气影响下的体测成绩的变化趋势的分析。数

原创 有关傅里叶变换的知识整理

有关傅里叶变换的知识整理傅里叶变换的含义傅里叶变换是信号领域沟通时域和频域的桥梁，在频域里可以更方便的进行一些分析。傅里叶主要针对的是平稳信号的频率特性分析，简单说就是具有一定周期性的信号，因为傅里叶变换采取的是有限取样的方式，所以对于取样长度和取样对象有着一定的要求。快速傅里叶变换FFT1.假设采样频率为Fs，信号频率fs，采样点数为N。那么FFT之后结果就是一个为N点的复数。每一个点就对应着一个频率点。这个点的模值，就是该频率值下的幅度特性假设FFT之后某点n用复数a+bi表示，那么这个复数的

原创 北京工商银行业务分析

北京工商银行信贷决策一、融资业务　　1. 适用对象　　在北京市注册，生产经营正常，无不良信用记录的小企业。　　2. 特色产品　　（1）资产便利融资　　应收帐款贷：企业凭借优质应收帐款申请贷款，我行将根据应收帐款的金额，为企业提供最高至应收帐款金额100%的贷款，在提高融资便利的同时，优化客户资产结构。这里的应收账款可能为销项票据？　　　　金融票证贷：企业凭借存单、债券、银行承兑汇票等申请贷款，我行根据有价凭证和票据的种类，为企业提供最高至凭证金额9成的贷款，使企业资产流动增值。要求一、经