ΜΕΛΕΤΗ ΤΗΣ ΔΥΝΑΜΙΚΗΣ ΚΑΙ ΤΗΣ ΛΕΙΤΟΥΡΓΙΑΣ ΝΕΥΡΩΝΙΚΩΝ ΔΟΜΩΝ ΜΕ ΥΨΗΛΗ ΑΛΛΗΛΟΣΥΝΔΕΣΗ ΝΕΥΡΩΝΩΝ

Abstract

ΣΤΗ ΔΙΑΤΡΙΒΗ ΑΥΤΗ ΜΕΛΕΤΑΤΑΙ Η ΔΥΝΑΜΙΚΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΜΕ ΧΗΜΙΚΟΥΣ ΝΕΥΡΟΜΕΤΑΒΙΒΑΣΤΕΣ ΚΑΙ Η ΕΠΙΔΡΑΣΗ ΤΗΣ ΔΟΜΗΣ ΤΟΥΣ ΣΤΗ ΔΥΝΑΜΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ ΑΥΤΩΝ, ΑΝΑΛΥΤΙΚΑ ΜΕ ΤΗ ΧΡΗΣΗ ΣΤΟΧΑΣΤΙΚΩΝ ΜΟΝΤΕΛΩΝ ΚΑΙ ΜΕ ΜΕΘΟΔΟΥΣ ΠΡΟΣΟΜΟΙΩΣΗΣ ΜΕ ΤΕΧΝΙΚΗ MONTE - CARLO. ΕΞΕΤΑΖΟΝΤΑΙ ΑΠΟΜΟΝΩΜΕΝΑ ΔΙΚΤΥΑ ΚΑΙ ΔΙΚΤΥΑ ΜΕ ΕΙΣΟΔΟΥΣ ΑΠΟ ΑΛΛΑ ΔΙΚΤΥΑ, ΜΕ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΚΑΤΑΝΟΜΗΣ POISSON Η (ΚΑΙ) GAUSS, ΠΡΟΚΕΙΜΕΝΟΥ ΝΑ ΜΕΛΕΤΗΘΕΙ Η ΔΥΝΑΜΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ ΔΙΚΤΥΩΝ ΜΕ ΜΕΓΑΛΟ ΠΛΗΘΟΣ ΣΥΝΔΕΣΕΩΝ (ΔΙΚΤΥΑ GAUSS) ΚΑΙ ΟΙ ΔΙΑΦΟΡΕΣ ΤΟΥΣ ΑΠΟ ΤΑ ΔΙΚΤΥΑ POISSON. ΑΠΟ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΤΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΡΟΚΥΠΤΕΙ ΟΤΙ Ο ΝΟΜΟΣ ΚΑΤΑΝΟΜΗΣ ΤΩΝ ΑΛΛΗΛΟΣΥΝΔΕΣΕΩΝ ΠΟΥ ΕΠΙΛΕΓΕΤΑΙ ΕΧΕΙ ΜΕΓΑΛΗ ΕΠΙΔΡΑΣΗ ΣΤΗΝ ΜΕΤΕΠΕΙΤΑ ΝΕΥΡΩΝΙΚΗ ΔΡΑΣΗ ΤΩΝ ΔΙΚΤΥΩΝ. ΕΝΑ ΔΙΚΤΥΟ GAUSS ΔΕΝ ΜΠΟΡΕΙ ΝΑ ΕΙΝΑΙ ΤΑΞΗΣ Α ΜΟΛΟΝΟΤΙ ΤΟ ΑΝΤΙΣΤΟΙΧΟ ΔΙΚΤΥΟ POISSON ΕΙΝΑΙ ΤΑΞΗΣ Α. ΥΠΑΡΧΕΙ ΑΚΟΜΑ ΙΣΧΥΡΗ ΕΠΙΔΡΑΣΗ ΤΟΥ ΠΛΗΘΟΥΣ ΤΩΝ ΣΥΝΔΕΣΕΩΝ ΑΝΑ ΝΕΥΡΩΝΑ ΣΤΗ ΔΥΝΑΜΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ ΤΟΥ ΔΙΚΤΥΟΥ.

IN THIS THESIS A STUDY IS UNDERTAKEN OF THE DYNAMICS OF NEURAL NETS WITH CHEMICAL MARKERS AND OF THE EFFECT OF THE STRUCTURE ON THEIR DYNAMICAL BEHAVIOR, ANALYTICALLY, USING PROBABILISTIC MODELS AND BY SIMULATION APPLYING MONTE - CARLO METHODS. BOTH ISOLATED AND NON - ISOLATED NEURAL NETWORKS ARE INVESTIGATED, WITH POISSON OR (AND) GAUSSIAN CHARACTERISTICS, IN ORDER TO STUDY THE DYNAMICAL BEHAVIOR OF NETS WITH HIGH CONNECTIVITY (GAUSS NETS) AND THEIR DIFFERENCES FROM THE POISSON ONES. ANALYSIS AND RESULTS OBTAINED HERE SHOW THAT THE PROBABILITY LAW SELECTED TO SPECIFY THE CONNECTIVITY PATTERN HAS A PROFOUND EFFECT ON SUBSEQUENT NEURAL ACTIVITY. A GAUSSIAN NET CAN NOT BE OF CLASS A, EVEN THOUGH THE CORRESPONDING POISSON ONE ARE OF A CLASS. THERE IS ALSO A STRONG EFFECT OF THE NUMBER OF CONNECTIONS PER NEURON TO THE DYNAMICAL BEHAVIOR OF THENETWORK.