3、水母神经系统的奥秘:Aglantha的独特神经回路

水母神经系统的奥秘:Aglantha的独特神经回路

1. 并行传导系统与搭便车现象

在水母的神经环中,存在多个并行的传导系统。单个轴突通常缺乏神经胶质鞘,但它们可能会松散地聚集在上皮突起内。以Aglantha为例,不同系统之间存在搭便车(piggybacking)的相互作用。

1.1 传导速度变化

系统状态 传导速度(mWs⁻¹)
中继系统单独传导 ≤0.1
起搏器系统同时激活时中继系统传导 0.24
起搏器和环形巨系统同时激活时中继系统传导 0.41
载体系统单独传导 ≤0.5
载体系统在环形巨系统上搭便车传导 ≤2.0

1.2 搭便车机制

目前Aglantha中搭便车的机制尚不清楚。药物实验表明,这种相互作用可能并非总是通过间隙连接或化学突触介导,而是可能涉及某种外部“场效应”。在逃避行为中,环形巨系统的激活需要起搏器、中继和载体系统在特定时间内依次输入,搭便车现象可能有助于维持这些输入的最佳时间关系。


                
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值