Read more
Ein Neuron reagiert auf einen Stimulus mit einerFolge von Aktionspotentialen, die mit jederWiederholung verschieden ausfallen. DasAntwortverhalten des Neurons wird hier mittels einerWahrscheinlichkeitsdichte beschrieben, mit der einebestimmte Folge von Aktionspotentialen auftritt. DasAntwortverhalten des Neurons hängt von dersynaptischen Verknüpfungsstruktur ab, beschriebendurch das rezeptive Feld.Am Beispiel des auditorischen Systems werdenverschiedene Verfahren zur Rekonstruktion desrezeptiven Feldes bei verrauschten Messdaten ausOptimierungsprinzipien abgeleitet und untereinanderverglichen. Das Neuron wird zunächst so genähert,dass der quadratische Fehler zwischen Output eineslinearen Modells und den Messdaten minimal ist. DieBayessche Methode berechnet das wahrscheinlichstelineare rezeptive Feld unter der Annahme, dass dergemessene neuronale Output durch Gaußsches Rauschenverfälscht und das rezeptive Feld a-priori wieGaußsches weißes Rauschen verteilt ist. DieRegularisierungsmethode ist eine Verallgemeinerung.Ein hier vorgestellter effizienter Algorithmus zurBerechnung von Support-Vektor-Maschinen ist eineweitere Alternative.
About the author
Dr. J.-M. P. Franosch studierte Physik, gefördert durch Stipendien der Studienstiftung des Dt. Volkes und der Bayer. Hochbegabtenförderung. Er ist Postdoc am Lehrstuhl für Theoretische Biophysik der TU München, veröffentlicht über neuronale Systeme und arbeitet freiberuflich im Bereich Webdesign, Programmierung und statistische Analysen bei ASKOS.
