11、感觉皮层中神经元调谐的不变性识别预测

感觉皮层中神经元调谐的不变性识别预测

1. 视网膜处理

模拟流程由多个模仿视网膜处理的滤波阶段组成，随后是一个高斯掩码。具体如下：
- DoG滤波器的值采用Croner和Kaplan（1995）建议的值。
- 空间低通滤波器的频率响应为：$1∕\sqrt{𝜔^2_x + 𝜔^2_y}$。
- 时间导数使用不平衡权重（-0.95,1）执行，以使直流分量不为零。

每个细胞通过提取由自然图像块进行刚性平移生成的电影的主成分来学习。每个帧经过这里描述的流程，然后被输入到无监督学习模块（计算协方差的特征向量）。模拟使用了40张自然图像和19种不同的高斯孔径。

下面是视网膜处理流程的mermaid流程图：

graph LR
    A[自然图像块] --> B[多个滤波阶段]
    B --> C[高斯掩码]
    C --> D[无监督学习模块]

2. V1中Gabor形状作为模板的额外证据

除了一些研究外，近期的一篇论文表明，V1中Gabor小波系统的假设能很好地拟合fMRI数据。在无监督学习过程中，相关理论的模板会变成类似Gabor的特征函数。

3. 赫布规则与类似Gabor的函数

假设简单细胞的突触权重根据赫布规则变化，V1中简单细胞的调谐特性会收敛到类似Gabor的函数。为简化，考虑一维情况，相关特征问题为：
$\int dx g(y)g(x)\psi_n(x)t^ (y - x) = \nu_n\psi_n(y)$ <