49、基于PSECMAC网络的健康人胰岛素动态建模研究

基于PSECMAC网络的健康人胰岛素动态建模研究

1. PSECMAC模型工作原理

PSECMAC模型采用加权高斯邻域输出（WGNO）计算过程，对于每组输入刺激，同时激活一组邻域受限的计算单元，以得出输出响应。在这个计算过程中，每个邻域单元的激活程度与输入刺激的距离成反比。该邻域检索方案的目的是最小化量化误差对网络计算输出的影响，并为模型引入拓扑泛化能力。具体计算步骤如下：
1. 确定激活区域 ：PSECMAC网络采用基于邻域的输出检索过程，网络对应输入刺激的计算输出是由多维特征空间中输入刺激附近邻域单元的记忆值加权组合得出。邻域大小由邻域常数N定义，为简化计算，邻域边界按维度定义。对于输入刺激X，其激活邻域定义为：
- (l_i = x_i - 0.5 \cdot N \cdot range_i)
- (r_i = x_i + 0.5 \cdot N \cdot range_i)
- (i \in {1,2,\cdots,d})
其中，i是维度索引，d是输入维度数，N是邻域常数，(range_i)是第i维的输入范围，(l_i)和(r_i)分别是第i维中对应刺激X的邻域左右边界。
2. 计算高斯加权函数 ：激活单元对PSECMAC网络输出的贡献程度与记忆单元量化点和输入刺激X之间的距离成反比。采用高斯加权因子(g_k)来衰减激活邻域中每个单元的突触权重，其定义为：
- (g_k = 1 - e^{-\frac{d_k^2}{2\gamma}})
其中，k表示任意激活单元的索引，(d_k)是单元量化点与输入刺激X之间的欧几里得距离，(g_k)是第k个激活单元的高斯加权