Memoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield
|
|
- Mauro Vitali
- 5 anni fa
- Visualizzazioni
Transcript
1 Verona - 10 Giugno 2008 (Seminario integrativo del corso di MMB, titolare M. Squassina, A.A. 2007/2008) Memoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield Antonio Ponno Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata ponno@math.unipd.it Homepage: ponno
2 MINI - ESPERIMENTO SULLA DINAMICA DEL RICONOSCIMENTO
3
4
5
6
7
8
9 Neuroni: struttura e funzionamento Un modello di rete neurale Memoria associativa il problema degli attrattori Il modello di Hopfield Dinamica del riconoscimento
10 DENDRITI Il Neurone INPUT SINAPSI OUTPUT SOMA (ELABORAZIONE) ASSONE
11 La d.d.p. di membrana di un neurone a riposo è V r = V int r V est r 70mV ; pompa sodio/potassio: eccesso di ioni Na + all esterno e ioni K + all interno. Quando è stimolato il neurone può depolarizzarsi e il potenziale di membrana raggiunge una intensità di picco V a +40mV (potenziale d azione). Si genera cosí un onda di depolarizzazione (impulso elettrico) che si propaga (1-100 m/s) lungo l assone e si ramifica attraverso le sinapsi (giunzioni chimiche) raggiungendo i dendriti o il soma di altri neuroni. Il neurone si depolarizza se una opportuna somma pesata dei potenziali postsinaptici ( V ps 1mV da ogni neurone presinaptico) che lo raggiungono supera una soglia specifica (circa 10 mv), altrimenti non risponde allo stimolo.
12 Regione pre sinaptica Regione post sinaptica V ps V a V ps V ps giunzione sinaptica
13 Corteccia cerebrale: circa neuroni suddivisi in circa 10 7 microreti fortemente connesse, ognuna contenente circa 10 4 neuroni ed avente dimensione lineare di 1mm. Ogni neurone della microrete riceve da molti dei neuroni componenti. La connettività tra microreti è minore. Tra lo sparo di un neurone e la ricezione del segnale da parte dei neuroni ad esso connessi in uscita passa un intervallo di tempo τ di qualche millisecondo, durante il quale il neurone non può operare di nuovo: è il periodo refrattario (assoluto). Dunque l attività cerebrale ha frequenza limitata (meno di 1 KHz) e la dinamica neuronale è a tempo discreto (multipli di τ).
14 Topologia delle connessioni È conveniente introdurre la cosí detta matrice di adiacenza del grafo di rete: ε ij = 1 se j afferisce ad i, altrimenti ε ij = 0; in particolare ε ii = 0. La matrice ε definisce completamente la topologia delle connessioni. Ad esempio essa individua le due componenti pre- e post-sinaptica: e C pre (i) = {j {1,..., N} : ε ij = 1} C post (i) = {j {1,..., N} : ε ji = 1}. Il neurone i riceve segnali in ingresso dai neuroni in C pre (i) e quando è attivo invia un segnale di uscita ai neuroni di C post (i).
15 Esempio di rete rete a 6 neuroni asimmetrica =64 configurazioni possibili 6 ε 12 = ε 16 =1 ε 21 = ε 23 = ε 26 =1 ε 36 =1 ε 43 = ε 45 = ε 46 =1 5 ε 54 =1 ε 61 = ε 65 =
16 Modellizzazione Introduciamo le seguenti definizioni V i (t): la d.d.p. (tra interno ed esterno) del neurone i-esimo al tempo t. V i può assumere solo due valori: V a (depolarizzazione) o V r (riposo). v i (t) d.d.p. post-sinaptica del neurone i al tempo t; v i può assumere due valori: 0 (i a riposo) oppure V ps 1mV (i attivo). h i ( v 1,..., v N ): funzione di integrazione sinaptica del neurone i (o campo locale i-esimo), differenziabile vicino a (0,...,0) e t.c. h i (0,...,0) = S i < 0.
17 Per i = 1,..., N si ha V i (t + τ) V r = ( V a V r ) Θ(h i (t)) dove Θ(x) = 1 se x > 0 e Θ(x) = 0 se x 0. Se h i (t) 0 V i (t + τ) = V r e il neurone non risponde allo stimolo, mentre se h i (t) > 0 allora V i (t + τ) = V a e il neurone spara. Le d.d.p. post-sinaptiche v i sono piccole, quindi h i ( v 1,..., v N ) S i + j K ij v j a meno di un resto O( j v 2 j ) (Taylor). Le K ij sono le componenti della matrice sinaptica. Dalle ipotesi fatte sulle connessioni K ij ε ij : h i dipende da v j sole se j C pre (i).
18 Introduciamo variabili dicotomiche simmetriche, definite per ogni i = 1,..., N da V i (t) V r ( V a V r ) σ i(t) + 1 2, v i (t) V ps σ i (t) + 1 2, σ i (t) = 2 V i(t) V r V a V r 1 = = 2 v i(t) V ps 1. σ i (t) = +1 se i è attivo ( V i = V a, v i = V ps ); σ i (t) = 1 se i è a riposo ( V i = V r, v i = 0).
19 In termini di variabili di spin σ i = ±1 le equazioni del modello diventano σ i (t + τ) = sign(h i (t)) h i (t) = j J ij σ j (t) s i per i = 1,..., N, dove sign(x) = +1 se x > 0 e sign(x) = 1 se x 0. J ij 1 2 K ij V ps s i S i j J ij ridefiniscono matrice sinaptica e soglia rispettivamente. Una semplificazione ragionevole (?): s i = 0 cioè S i = 1 2 j K ij V ps : la soglia è metà di quello che il neurone riceve se i suoi afferenti (pre-sinaptici) sono tutti attivi.
20 Il modello dinamico di rete è descritto da σ i (t + τ) = sign j J ij σ j (t) per i = 1,..., N. Se è nota la matrice sinaptica J ij (N N) di ogni neurone i, resta definita una mappa S : { 1,+1} N { 1,+1} N : σ S[σ] Lo stato della rete al tempo nτ è dato dalla iterata n-esima di S calcolata nello stato iniziale σ(0): σ(nτ) = S n [σ(0)] n volte {}}{ (S S)[σ(0)] Lo spazio degli stati { 1,+1} N può essere visualizzato come l insieme dei vertici di un cubo N-dimensionale di spigolo lungo 2. Ad ogni iterata, ovvero ad ogni passo temporale (τ) si salta da un vertice ad un altro.
21 Per l esempio di rete a 6 neuroni (v. figura): σ 1 (t + τ) = sign[j 12 σ 2 (t) + J 16 σ 6 (t)] σ 2 (t + τ) = sign[j 21 σ 1 (t) + J 23 σ 3 (t) + +J 26 σ 6 (t)] σ 3 (t + τ) = sign[j 36 σ 6 (t)] σ 4 (t + τ) = sign[j 43 σ 3 (t) + J 45 σ 5 (t) + +J 46 σ 6 (t)] σ 5 (t + τ) = sign[j 54 σ 4 (t)] σ 6 (t + τ) = sign[j 61 σ 1 (t) + J 65 σ 5 (t)]
22 Memoria ed attrattori Problema Il modello deve includere una memoria contenente oggetti (parole, immagini, suoni...), ogni oggetto corrispondente ad un determinato stato di attività della rete: un oggetto = stringa di N bit = ξ 1,..., ξ N = una configurazione della rete; ξ i = ±1: neurone i-esimo attivo o a riposo Evidentemente matrice sinaptica e memoria devono essere legate. Regola di Hebb: J ij = ε ij N p µ=1 ξ (µ) i ξ (µ) j = ε ij N p µ=1 [ ξ (µ) ( ξ (µ)) T ] ij Dunque p stringhe ξ (µ) = ξ (µ) 1,..., ξ(µ) N (µ = 1,..., p) di N bit ciascuna (oggetti in memoria) e una assegnata matrice di adiacenza (struttura delle connessioni) determinano la matrice sinaptica: questo è il modello di Hopfield.
23 Le stringhe ξ (µ) che determinano la matrice sinaptica sono attrattori per il sistema dinamico se σ(nτ) n ξ (ν) per qualche ν = 1,..., p che dipende dallo stato iniziale σ(0) della rete. In questo caso parliamo di memoria associativa: ad una classe di stati iniziali di attività viene associato (dalla dinamica) uno stesso stato di attività asintotico della rete, stato che quindi rappresenta la classe di dati di partenza. Il modello matematicamente piú semplice da trattare è quello in cui ξ (µ) i e ξ (ν) j sono variabili aleatorie indipendenti (per i j e/o µ ν) e suscettibili di assumere i valori ±1 con la stessa probabilità a priori. In questo caso il riconoscimento ha ovvio carattere probabilistico.
24 Perchè la regola di Hebb? Vogliamo che un dato pattern ξ risulti punto fisso di S: S[ξ] = ξ, ovvero ξ i = sign j J ij ξ j. ( ) Se J ij = cε ij ξ i ξ j (un solo pattern memorizzato), con c > 0, allora j J ij ξ j = j [cε ij ξ i ξ j ]ξ j = = card[c pre (i)] cξ i, j ε ij cξ i di segno ξ i, cioè la ( ), se esiste almeno un neurone presinaptico. Quando si memorizzano piú pattern e la matrice J è somma di proiettori, ci si aspetta l esistenza di punti fissi in senso probabilistico.
25 Esistenza di punti fissi Proposizione 1 Per il modello di Hopfield con p patterns di memoria aleatori ξ (µ), µ = 1,..., p, e matrice di adiacenza assegnata, vale, per ogni i = 1,..., N e ogni µ = 1,..., p, la stima P ξ (µ) i = sign j J ij ξ (µ) j dove A i = card[c pre (i)]. Dimostrazione j J ij ξ (µ) j 1 p 1, A i = A i N ξ(µ) i + R i, in cui il resto R i ha valore di aspettazione nullo: E(R i ) = 0. Osserviamo ( inoltre che se R i < A i /N, allora sign j J ij ξ (µ) ) j = ξ (µ) i.
26 Quindi: P ξ (µ) i = P P [ [ ξ (µ) i = 1 P = sign j = sign R i < A i N [ ] = R i A i N J ij ξ (µ) j = ( Ai N ξ(µ) i + R i )] ] 1 E(R2 i ) (A i /N) 2 = 1 p 1 A i. Osservazione: se A i N e p/n 0 quando N +, si dimostra che P [ ξ (µ) = S [ ξ (µ)]] 1 per N +, per ogni pattern µ.
27 Proposizione 2 Dinamica I Se J ij = J ji (cioè ε ij = ε ji ) allora σ(nτ) = S n [σ(0)] tende, per n, ad un punto fisso di S oppure ad un ciclo binario (orbita periodica di periodo 2τ). Dimostrazione Definiamo, per t τ, E(t) N i,j=1 J ij σ i (t)σ j (t τ) E(t) N(N 1)sup ij { J ij }. Inoltre E(t + τ) E(t) = i [σ i (t + τ) σ i (t τ)] j( i) J ij σ j (t) = = [σ i (t + τ) σ i (t τ)]h i (t) 0 i e il segno di uguaglianza vale se e solo se σ i (t + τ) = σ i (t τ) per ogni i.
28 Dinamica II (Riconoscimento ad un passo) Proposizione 3 Sia σ i (0) = η i ξ (µ) i (i = 1,..., N), dove η i = 1 con probabilità q < 0.5 ed η i = 1 con probabilità 1 q (meno del 50% dei bit di partenza sbagliati rispetto alla stringa µ). Se A i N per ogni i e p/n 0 per N +, allora per N +. P [ S[σ(0)] = ξ (µ)] 1
29 D. J. Amit, Modellizzare le funzioni del cervello, Cedam, Padova, B. Tirozzi, Modelli matematici di reti neurali, Cedam, Padova, J. J. Hopfield, Brain, neural networks, and computation, Review of Modern Physics 71 S431 (1999).
Memoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield
Verona - 25 Maggio 2007 (Seminario integrativo del corso di MMB, titolare M. Squassina, A.A. 2006/2007) Memoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield Antonio Ponno
DettagliSimulazione di sistemi neuronali dell ippocampo
Simulazione di sistemi neuronali dell ippocampo - Marco Piersanti - Relatore: prof. Brunello Tirozzi Introduzione introduzione» Obiettivo: sviluppo di un modello di neurone piramidale CA1 dell ippocampo.
DettagliASPETTANDO LE L ALFABETO DEI NEURONI
ASPETTANDO LE L ALFABETO DEI NEURONI Piero Paolo Battaglini Centro BRAIN, Dipartimento di Scienze della Vita, Università di Trieste Dipartimento di Scienze della Vita Università di Trieste Centro BRAIN
DettagliPOTENZIALE D AZIONE FGE AA
POTENZIALE D AZIONE FGE AA.2015-16 Neurone Soma Nucleo Assone Terminazioni sinaptiche Dendriti Guaina mielinica Neurone Sezione istologica Neurone 1 Il neurone 1 comunica con il neurone 2 come mostrato
DettagliReti neurali. una breve introduzione
Reti neurali una breve introduzione Idea Con un solo neurone non posso fare molto... Con molti neuroni connessi posso ottenere un sistema di elaborazione nasce una nuova proprietà emergente del sistema
DettagliPOTENZIALE DI MEMBRANA A RIPOSO. Le informazioni all'interno del sistema nervoso vengono scambiate mediante SEGNALI ELETTRICI
POTENZIALE DI MEMBRANA A RIPOSO Le informazioni all'interno del sistema nervoso vengono scambiate mediante SEGNALI ELETTRICI La membrana plasmatica delle cellule è POLARIZZATA (esiste una differenza nella
DettagliDavid Sadava, H. Craig Heller, Gordon H. Orians, William K. Purves, David M. Hillis. Biologia.blu. C - Il corpo umano
David Sadava, H. Craig Heller, Gordon H. Orians, William K. Purves, David M. Hillis Biologia.blu C - Il corpo umano 1 Il sistema nervoso 2 Il sistema nervoso (SN) Il SN coordina le attività delle diverse
DettagliADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco).
ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). Lalgoritmo più utilizzato per addestrare una rete neurale è lalgoritmo di bac-propagation. In sostanza
DettagliPOTENZIALE D AZIONE FGE AA
POTENZIALE D AZIONE FGE AA.2016-17 OBIETTIVI ORGANIZZAZIONE GENERALE SN POTENZIALE DI AZIONE: DESCRIZIONE DELLE FASI E DETERMINANTI FISICO-CHIMICI ANDAMENTO DELLE CONDUTTANZE DEL SODIO E DEL POTASSIO NEL
DettagliPrincipali differenze tra sinapsi neuromuscolare e sinapsi centrali
Sinapsi centrali ed Integrazione sinaptica Principali differenze tra sinapsi neuromuscolare e sinapsi centrali Le sinapsi neuromuscolari utilizzano come neurotrasmettitore Ach Le sinapsi centrali utilizzano
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliLa nuova biologia.blu
David Sadava, David M. Hillis, H. Craig Heller, May R. Berenbaum La nuova biologia.blu Genetica, DNA e corpo umano 2 Capitolo C9 Il sistema nervoso 3 Il sistema nervoso (SN) Il SN opera secondo un preciso
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliIl neurone. I neuroni trasmettono l informazione ad altri neuroni o alle cellule effettrici (cellule muscolari) attraverso le sinapsi.
Il neurone I neuroni trasmettono l informazione ad altri neuroni o alle cellule effettrici (cellule muscolari) attraverso le sinapsi. Trasmissione sinaptica Ingresso: segnali sinaptici Integrazione: segnali
DettagliDifferenze tra sinapsi neuromuscolare e sinapsi centrali
Sinapsi centrali ed Integrazione sinaptica Differenze tra sinapsi neuromuscolare e sinapsi centrali Le sinapsi neuromuscolari utilizzano come neurotrasmettitore solo Ach. Le sinapsi centrali utilizzano
DettagliL informazione nervosa si basa sulla capacità dei neuroni di generare correnti elettriche, in seguito a modificazioni del potenziale di riposo che
L informazione nervosa si basa sulla capacità dei neuroni di generare correnti elettriche, in seguito a modificazioni del potenziale di riposo che risultano dall apertura o chiusura di canali ionici. I
DettagliReti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.
Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente
DettagliCorso di Fisica Medica 1
a.a. 2005/2006 Laurea Specialistica in Fisica Corso di Fisica Medica 1 Conduzione nervosa 30/3/2006 Terminazioni pre-sinaptiche Mitocondri Sintesi dei neuro trasmettitori (NT) Attività enzimatica Trasporto
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliSistemi Dinamici Corso di Laurea in Matematica Compito del
Sistemi Dinamici Corso di Laurea in Matematica Compito del 6--9 Esercizio. punti) i) Studiare al variare del parametro µ R, il ritratto di fase del sistema meccanico dato da un punto materiale di massa
DettagliIl potenziale di membrana
Il potenziale di membrana Nel citoplasma della cellula, così come nel liquido extracellulare sono disciolti diversi tipi di ioni. La loro concentrazione non è però uguale dai due lati della membrana citoplasmatica
DettagliLa trasmissione dell Impulso Nervoso
La trasmissione dell Impulso Nervoso Il Neurone Neuroni: cellule specializzate per la trasmissione degli impulsi. Dendriti prolungamenti riccamente ramificati e un lungo Assone fibroso. La parte terminale
DettagliRichiede comunicazione bidirezionale tra compartimento pre- e postsinaptico finalizzata all attivazione di diversi meccanismi cellulari e molecolari
Plasticità sinaptica: Sinaptogenesi Rimodellamento sinaptico Richiede comunicazione bidirezionale tra compartimento pre- e postsinaptico finalizzata all attivazione di diversi meccanismi cellulari e molecolari
DettagliElettricità cellulare
a.a. 2005/2006 Laurea Specialistica in Fisica Corso di Fisica Medica 1 Elettricità cellulare 30/3/2006 Sistemi biologici Essenzialmente costituiti da acqua (solvente) e da differenti soluti (molti dei
DettagliReti Complesse Biologiche
Reti Complesse Biologiche Corso di Modelli di Sistemi Biologici II Università di Roma Sapienza Anno Accademico 2008/2009 Fabrizio De Vico Fallani, PhD Dipartimento di Fisiologia Umana e Farmacologia fabrizio.devicofallani@uniroma1.it
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
Dettagliotenziali graduati (elettrotonici) potenziale d azione
I segnali elettrici che si generano nei neuroni: potenziali graduati (elettrotonici) potenziale d azione sono modificazioni del potenziale di riposo determinate dall apertura o chiusura di canali ionici.
DettagliFondamenti di Automatica
Fondamenti di Automatica Introduzione e modellistica dei sistemi Introduzione allo studio dei sistemi Modellistica dei sistemi dinamici elettrici Modellistica dei sistemi dinamici meccanici Modellistica
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
DettagliCORSO DI Analisi Numerica
CORSO DI Analisi Numerica Alessandro Iafrati CONTATTI Posta Elettronica: a.iafrati@insean.it Telefono: 06/50299296 A breve sarà disponibile un sito web sulla pagina del Dipartimento di Metodi e Modelli
DettagliComunicazione tra cellule
Comunicazione tra cellule I segnali-messaggi possono essere: elettrici o chimici Il messaggio deve avere le seguenti caratteristiche: 1. Contenere informazione 2. Essere indirizzato 3. Essere trasmesso
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliPotenziale di riposo: Una ddp a cavallo della membrana plasmatica a riposo o quando la cellula non è stimolata.
Potenziale di riposo: Una ddp a cavallo della membrana plasmatica a riposo o quando la cellula non è stimolata. Costante e stabile Negativa all interno Peculiare di ogni tipo di cellula Il Potenziale di
DettagliEquazione di Nerst. Equazione di Goldman
Equazione di Nerst Equazione di Goldman 1 PROPRIETA PASSIVE DEI NEURONI I NEURONI posseggono proprietà passive importanti: Resistenza della membrana a riposo Capacità della membrana Resistenza assiale
DettagliPOTENZIALE DI EQUILIBRIO DEL K + la differenza di potenziale ai due lati della membrana utile alla formazione dell equilibrio elettrochimico del K +
POTENZIALE DI EQUILIBRIO DEL K + la differenza di potenziale ai due lati della membrana utile alla formazione dell equilibrio elettrochimico del K + P - K + P - P - P - P - P - Na + Cl - -80 mv Voltometro
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliIntroduzione ai grafi
TFA A048 Anno Accademico 2012-13 Outline Cenni storici sui grafi Nozioni introduttive: cammini, connessione, alberi, cicli Cammini di costo minimo Origini storiche La nascita della teoria dei grafi risale
DettagliSistemi di riferimento in moto relativo
Capitolo 2 Sistemi di riferimento in moto relativo Consideriamo due sistemi di riferimento = Oê 1 ê 2 ê 3 = O ê 1ê 2ê 3 nello spazio euclideo E 3. Le terne di vettori {ê 1,ê 2,ê 3 } e {ê 1,ê 2,ê 3 } dei
DettagliAlgoritmi e Complessità
Algoritmi e Complessità Università di Camerino Corso di Laurea in Informatica (tecnologie informatiche) III periodo didattico Docente: Emanuela Merelli Email:emanuela.merelli@unicam.it a.a. 2002-03 e.merelli
DettagliApprossimazione di dati e funzioni
Approssimazione di dati e funzioni Richiamiamo i principali metodi di approssimazione polinomiale di un insieme di dati (x i, y i ), i = 0,..., n. Le ordinate y i possono essere i valori assunti nei nodi
DettagliCognome Nome Matricola. Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale
Esame di Calcolo delle Probabilità mod. B del 9 settembre 2003 (Corso di Laurea in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliReti neuronali: applicazioni biomediche. Anno Accademico Prof. Mauro Giacomini
Reti neuronali: applicazioni biomediche Anno Accademico 2007-2008 Prof. Mauro Giacomini Sommario Cenni storici Percettroni multi-strato Apprendimento competitivo Applicazioni biomediche Identificazione
Dettagli01CXGBN Trasmissione numerica. parte 6: calcolo delle probabilità I
01CXGBN Trasmissione numerica parte 6: calcolo delle probabilità I 1 Probabilità di errore BER e SER Per rappresentare la bontà di un sistema di trasmissione numerica in termini di probabilità di errore
DettagliConfronto della voltaggio-dipendenza di g K e g Na
Confronto della voltaggio-dipendenza di g K e g Na 1.0 0.8 ttanza g Condut 0.6 0.4 0.2 0.0-60 -40-20 0 20 40 60 V m (mv) Il potenziale d azione E la risposta ad uno stimolo depolarizzante che possono dare
DettagliPROF. ALESSANDRO MALFATTI. Corso di Fisiologia e Benessere degli animali in produzione. STRUTTURA e FUNZIONE
STRUTTURA e FUNZIONE Ogni neurone presenta 4 zone: DENDRITI: ricezione dell'impulso proveniente da altri neuroni SOMA (PIRENOFORO): integrazione delle numerose afferenze, spesso contrastanti sintesi del
DettagliRichiami di Fisiologia Cellulare
Richiami di Fisiologia Cellulare Alcuni dati fondamentali In tutte le cellule 1) vi è una membrana, di natura lipidica, che separa l ambiente interno da quello esterno; nella o sulla membrana sono abbondanti
DettagliIl sistema nervoso (SN)
Il sistema nervoso (SN) Il SN coordina le attività delle diverse parti del corpo e permette di entrare in relazione con l ambiente esterno, la gestione di tutte le informazioni è centralizzata nell encefalo.
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliEquazione di Nerst. Equazione di Goldman
Equazione di Nerst Equazione di Goldman 1 PROPRIETA PASSIVE DEI NEURONI I NEURONI posseggono proprietà passive importanti: Resistenza della membrana a riposo Capacità della membrana Resistenza assiale
DettagliPOTENZIALE DI MEMBRANA FGE AA
POTENZIALE DI MEMBRANA FGE AA.2016-17 OBIETTIVI GENESI E MANTENIMENTO DEL POTENZIALE DI MEMBRANA A RIPOSO POTENZIALE DI EQUILIBRIO ED EQUAZIONE DI NERNST EQUAZIONE DI GOLDMAN E PMR DEL NEURONE CANALI IONICI
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
DettagliRelazione ohmica tra voltaggio e corrente
Relazione ohmica tra voltaggio e corrente 6 5 Potenziale soglia Corrente (na) 4 3 2 1 Le membrane neuronali rispondono in modo passivo all iper-polarizzazione e alla depolarizzazione (sotto soglia), non
DettagliV = 130 mv R = Ω = = A I = V R. Trascuriamo il canale del Cl - Voltaggio totale V. Resistenza totale R
LA MEMBRANA I canali passivi trans-membranici selettivi per ciascuna specie di ione possono essere schematizzati come una combinazione di resistenze e batterie Trascuriamo il canale del Cl - V = 130 mv
DettagliLa più nota proprietà del neurone è quella di ricevere e trasmettere segnali costituiti principalmente da eventi elettro-chimici.
LA TRASMISSIONE SINAPTICA Il neurone : unità elementare responsabile dei messaggi nervosi La più nota proprietà del neurone è quella di ricevere e trasmettere segnali costituiti principalmente da eventi
DettagliGeometria e Topologia I (U1-4) 2006-mag-10 61
Geometria e Topologia I (U1-4) 2006-mag-10 61 (15.9) Teorema. Consideriamo il piano affine. Se A A 2 (K) è un punto e r una retta che non passa per A, allora esiste unica la retta per A che non interseca
DettagliLaboratorio di Calcolo Paola Gallo
Studio di una funzione Dopo aver calcolato limiti, massimi, minimi e flessi siamo in grado di stabilire noi quali estremi di variabilità e che passo dare alle mie x per poter visualizzare bene nel grafico
DettagliIl teorema di Lagrange e la formula di Taylor
Il teorema di Lagrange e la formula di Taylor Il teorema del valor medio di Lagrange, valido per funzioni reali di una variabile reale, si estende alle funzioni reali di più variabili. Come si vedrà, questo
DettagliSomma 3-bit. somma 3-bit con I/O sequenziale. somma 3-bit con I/O sequenziale. Osservazione
RETI COMBINATORIE In una rete combinatoria l uscita è funzione dei soli ingressi u = f () ADDIZIONATORE PARALLELO Addizionatore parallelo (a propagazione di riporto - ripple carry) per numeri binari di
DettagliSistemi di riferimento in moto relativo
Capitolo 4 Sistemi di riferimento in moto relativo Consideriamo due sistemi di riferimento = Oê 1 ê 2 ê 3 = O ê 1ê 2ê 3 nello spazio euclideo E 3. Le terne di vettori {ê 1,ê 2,ê 3 } e {ê 1,ê 2,ê 3 } dei
DettagliElementi di Automazione Lezione 2 - Sistemi e modelli
Elementi di Automazione Lezione 2 - Sistemi e modelli Ing. Gianmaria De Tommasi A.A. 2006/07 1 2 Modello di 3 Modelli Ingresso-Stato-Usicta (I-S-U) per sistemi dinamici Definizione qualitativa di sistema
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliModelli a code d attesa dei sistemi operativi
Definizioni Preliminari Topologie Tandem (1 dispositivo I/O Tandem (2 dispositivi I/O) Coda chiusa Coda aperta Definizioni Preliminari variabili aleatorie: il risultato di un esperimento dall esito incerto
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliStimolazione artificiale del cuore
Stimolazione artificiale del cuore Il ciclo del cuore: Impulso elettrico di stimolazione da parte di un gruppo di fibre nervose il nodo sinoatriale, Stimolatori artificiali Pacemaker impiantati chirurgicamente
DettagliIntracellulare Extracellulare Na K Mg Ca Cl Anioni non permeabili abbondanti scarsi
Tessuto nervoso 12.8 Un esempio di neurone Concentrazioni ioniche all interno e all esterno di una tipica cellula di mammifero Concentrazioni espresse in mmoli/litro Intracellulare Extracellulare Na +
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliUna delle proprietà fondamentali di un sistema è la stabilità. Esistono due tipi di stabilità:
Chapter 1 Stabilità di sistemi lineari Una delle proprietà fondamentali di un sistema è la stabilità. Esistono due tipi di stabilità: 1. stabilità rispetto alle condizioni iniziali; 2. stabilità ingresso/uscita.
DettagliLezione Operazioni elementari di riga
Lezione 4 4. Operazioni elementari di riga Nella lezione precedente abbiamo visto un metodo per risolvere un sistema lineare la cui matrice dei coefficienti sia fortemente ridotta per righe, o anche solo
DettagliSi è ipotizzato che il potenziale di membrana fosse un potenziale di Equilibrio del K descritto dall eq. di Nerst : Em= -RT/ZF 2.
Si è ipotizzato che il potenziale di membrana fosse un potenziale di Equilibrio del K descritto dall eq. di Nerst : Em= -RT/ZF 2.3log [K]i / [K]o Registrazione del potenziale di membrana Potenziale di
DettagliIntroduzione ai sistemi dinamici
Introduzione ai sistemi dinamici Prof. G. Ferrari Trecate, Prof. D.M. Raimondo Dipartimento di Ingegneria Industriale e dell Informazione (DIII) Università degli Studi di Pavia Fondamenti di Automatica
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliLa formula di Taylor per funzioni di più variabili
La formula di Taylor per funzioni di più variabili Il polinomio di Taylor Due variabili. Sia A R 2 un aperto, f : A R una funzione sufficientemente regolare, (x, y) un punto di A. Sia (h, k) un vettore
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
DettagliSistema nervoso. Il sistema nervoso controlla e regola tutte le funzioni dell organismo.
IL Sistema Nervoso Sistema nervoso In tutti gli animali, il sistema nervoso è la rete di coordinamento e controllo che riceve tutte le informazioni, le interpreta e risponde ad esse in vari modi. Il sistema
DettagliAPPLICAZIONI. Im f = {b B a A tale che f (a) = b}.
APPLICAZIONI Diremo applicazione (o funzione) da un insieme A ad un insieme B una legge f che associa ad ogni elemento a A uno ed un solo elemento b B. Scriviamo f : A B e il corrispondente o immagine
DettagliCorso di Idrologia A.A Piogge intense. Antonino Cancelliere. Dipartimento di Ingegneria Civile e Ambientale Università di Catania
Corso di Idrologia A.A. 2011-2012 Piogge intense Antonino Cancelliere Dipartimento di Ingegneria Civile e Ambientale Università di Catania Elaborazione delle piogge intense Obiettivi: 1. Determinazione
DettagliLEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliProgrammazione Lineare Intera: Piani di Taglio
Programmazione Lineare Intera: Piani di Taglio Andrea Scozzari a.a. 2014-2015 April 22, 2015 Andrea Scozzari (a.a. 2014-2015) Programmazione Lineare Intera: Piani di Taglio April 22, 2015 1 / 23 Programmazione
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliSottospazi vettoriali
Capitolo 6 Sottospazi vettoriali 6.1 Introduzione Riprendiamo un argomento già studiato ampiamente nel corso di Geometria, i sottospazi vettoriali di uno spazio vettoriale. Ci limiteremo a darne la definizione,
DettagliReti Neurali. Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti
Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti Multilayer Perceptron (P) Forward propagation Training: Error Backpropagation On-line Backpropagation Stochastic Gradient Descent (SGD)
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliSpazio e trasformazioni sensorimotorie
Università degli studi di Padova Dipartimento di Psicologia Generale Spazio e trasformazioni sensorimotorie Michele De Filippo De Grazia Simone Cutini Outline Trasformazioni sensorimotorie Basi anatomo-fisiologiche
DettagliGeometria per il TFA grafi e reti
Universita di Roma Tre Geometria per il TFA grafi e reti Francesca MEROLA merola@mat.uniroma3.it http://ricerca.mat.uniroma3.it/users/merola/ Internet map 1024 by The Opte Project roadmap esempi di grafi
DettagliAlgoritmi di controllo per la navigazione basati su spiking networks
Algoritmi di controllo per la navigazione basati su spiking networks CRISTIANO ALESSANDRO Outline Neurone biologico Neurone Spiking Learning ed esperimento di Pavlov Spike Timing Dependent Plasticity (STDP)
DettagliTeorie e modelli nelle scienze cognitive (parte 2)
Teorie e modelli nelle scienze cognitive (parte 2) Corso di Principi e Modelli della Percezione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/pmp_2018.html
DettagliIl potenziale di membrana è la differenza di potenziale elettrico a cavallo della membrana cellulare (negatività interna), determinato da una diversa
Il potenziale di membrana è la differenza di potenziale elettrico a cavallo della membrana cellulare (negatività interna), determinato da una diversa distribuzione ionica ai due lati della membrana. Nelle
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
DettagliFUNZIONI. y Y. Def. L insieme Y è detto codominio di f. Es. Siano X = R, Y = R e f : x y = 1 x associo il suo inverso). (ad un numero reale
FUNZIONI Siano X e Y due insiemi. Def. Una funzione f definita in X a valori in Y è una corrispondenza (una legge) che associa ad ogni elemento X al piú un elemento in Y. X Y Def. L insieme Y è detto codominio
DettagliFUNZIONI. y Y. Def. L insieme Y è detto codominio di f. Es. Siano X = R, Y = R e f : x y = 1 x associo il suo inverso). (ad un numero reale
FUNZIONI Siano X e Y due insiemi. Def. Una funzione f definita in X a valori in Y è una corrispondenza (una legge) che associa ad ogni elemento X al più un elemento in Y. X Y Def. L insieme Y è detto codominio
DettagliRICERCA OPERATIVA (a.a. 2016/17) Nome: Cognome: Matricola:
Secondo appello //0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x + x x x per via algebrica, mediante l algoritmo del Simplesso Primale a partire
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
Dettagli