Název: Gradient method of learning for stochastic kinetic model of neuron
Autoři: Świetlicka, Aleksandra
Gugała, Karol
Karón, Igor
Kolanowski, Krzysztof
Majchrzycki, Mateusz
Rybarczyk, Andrzej
Citace zdrojového dokumentu: ISTET 2013: International Symposiumon Theoretical Electrical Engineering: 24th – 26th June 2013, Pilsen, Czech Republic, p. III-17-III-18.
Datum vydání: 2013
Nakladatel: University of West Bohemia
Typ dokumentu: conferenceObject
konferenční příspěvek
URI: http://hdl.handle.net/11025/11489
ISBN: 978-80-261-0246-5
Klíčová slova: stochastický kinetický model neuronu;gradientní metoda učení;Hodgin-Huxleyho model
Klíčová slova v dalším jazyce: stochastic kinetic model of neuron;gradient method of learning;Hodgkin-Huxley model
Abstrakt: In this paper we are focusing on the kinetic extension [4] of classic model of Hodgkin and Huxley [2]. We are showing the descent gradient method used in the learning process of neuron, which is described with stochastic kinetic model. In comparison with [1] we use only 3 weights instead of 9: gNa; gK and gL: We show that this model behaves equally accurate as the model of Hodgkin and Huxley with slighter system description.
Práva: © University of West Bohemia
Vyskytuje se v kolekcích:ISTET 2013

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
Swietlicka.pdfPlný text160,23 kBAdobe PDFZobrazit/otevřít


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/11489

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.