Weitzenfeld A

Idioma: Español
Referencias bibliográficas: 28
Paginas: 46-53
Archivo PDF: 194.03 Kb.

RESUMEN

NSL (Neural Simulation Language) es un sistema de simulación para el desarrollo de redes neuronales biológicas y artificiales. NSL permite la simulación de modelos con diferentes niveles de detalle neuronal, desde los más sencillos que constan de pocas neuronas hasta los más complejos compuestos de millones de neuronas. NSL incorpora un rico ambiente de modelado y simulación que integra un lenguaje compilado y otro interpretado por razones de eficiencia e interacción, además de bibliotecas numéricas, interfaces gráficas y herramientas de visualización. El sistema es orientado a objetos, ofreciendo un ambiente de simulación para usuarios con poca experiencia de programación, al igual que para aquellos más experimentados. NSL fue desarrollado originalmente hace 10 años habiendo sido utilizado durante esta última década para la investigación y docencia, dando lugar al desarrollo de numerosos modelos neuronales en diversos laboratorios en el mundo. Actualmente se cuenta con NSL3.0, la tercera generación del sistema bajo diferentes plataformas de procesamiento y en base a programación en C++ y Java.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Alexander A, Arbib MA, Weitzenfeld A. 1999, Web Simulation of Brain Models. International Conference on Web-Based Modeling and Simulation, 1999; 31(3): 29-33, Enero 17-20, San Francisco, CA.

2. Amari S, Arbib MA. Competition and Cooperation in Neural Nets, Systems Neuroscience (J. Metzler, ed.), 1977: 119-165, Academic Press.

3. Arbib MA. The Metaphorical Brain 2: Neural Networks and Beyond, Wiley. 1989.

4. Arbib MA. Schema Theory, in the Encyclopedia of Artificial Intelligence, 2da Edition, Editor Stuart Shapiro, 1992; 2: 1427-1443, Wiley.

5. Arkin RC, Cervantes-Perez F, Weitzenfeld A. Ecological Robotics: A Schema-Theoretic Approach, en Intelligent Robots: Sensing, Modelling and Planning, Eds. RC Bolles, H Bunke y H Noltemeier World Scientific. 1997: 377-393.

6. De Schutter E. A Consumer Guide to Neuronal Modeling Software, en Trends in Neuroscience, 1992; 15(11): 462-464.

7. Didday RL. A Model of Visuomotor Mechanisms in the Frog Optic Tectum, Math. Biosci 1976; 30: 169-180.

8. Dominey P, Arbib MA. A Cortico-Subcortical Model for Generation of Spatially Accurate Sequential Saccades, Cerebral Cortex, Marzo/Abril 1992; 2: 153-175.

9. Hodgkin AL, Huxley AF. A Quantitative Description of Membrane Current and its Application to Conduction and Excitation in Nerve, J. Physiol. London, 1952; 117: 500-544.

10. Hopfield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities, Proc. Of the National Academy of Sciences 1982; 79: 2554-2558.

11. House D. Depth Perception in Frogs and Toads: A study in Neural Computing, Lecture Notes in Biomathematics 80, Springer-Verlag. 1985.

12. McCulloch WS, Pitts WH. A Logical Calculus of the Ideas Immanent in Nervous Activities, Bull. Math. Biophys 1943; 5: 15-133.

13. Murre J. Neurosimulators, e Handbook of Brain Theory and Neural Networks, Ed. Michael Arbib, MIT Press 1995.

14. Ousterhout J. Tcl and the Tk Toolkit, Addison-Wesley. 1994.

15. Rall W. Branching Dendritic Trees and Motoneuron Membrane Resistivity. Exp Neurol 1959; 2: 503-532.

16. Rumelhart DE, Hinton GE, Williams RJ. Learning internal representations by error propagation, in Parallel Distributed Processing: Explorations in the Microstructure of Cognition (D.E. Rumelhart, J.L. McClelland, and PDP Research Group, Eds.), vol. 1, Foundations, Cambridge, MA: MIT Press, 1986; 318-362.

17. Teeters JL, Arbib MA, Corbacho F, & Lee HB. Quantitative modeling of responses of anuran retina: Stimulus shape and size dependency. Vision Research 1993; 33: 2361-2379.

18. Wegner P. Concepts and Paradigms of Object-Oriented Programming, OOPS Messenger, 1990; 1(1): 7-87.

19. Weitzenfeld A. A Unified Computational Model for Schemas and Neural Networks in Concurrent Object-Oriented Programming, Tesis Doctoral, Computer Science Dept., University of Southern California, Los Angeles. 1992.

20. Weitzenfeld A, Arbib M. A Concurrent Object-Oriented Framework for the Simulation of Neural Networks, ECOOP/OOPSLA ’90 Workshop on Object-Based Concurrent Programming, OOPS Messenger, 1991; 2(2): 120-124.

21. Weitzenfeld A. ASL: Hierarchy, Composition, Heterogeneity, and Multi-Granularity in Concurrent Object-Oriented Programming, Workshop on Neural Architectures and Distributed AI: From Schema Assemblages to Neural Networks 1993: 19-20, Center for Neural Engineering, USC, Los Angeles, CA.

22. Weitzenfeld A, Arkin RC, Cervantes-Perez F, Olivares R, Corbacho F. A Neural Schema System Architecture for Autonomous Robots, Proc. of 1998 International Symposium on Robotics and Automation, Diciembre 1998: 12-14, Saltillo, Coahuila, México.

23. Weitzenfeld A, Arkin RC, Cervantes-Perez F, Peniche JF. Visualization of Multi-level Neural-based Robotic Systems, 2nd Conference on Visual Computing, Mexico, DF, Mexico. 1998: 20-24.

24. Weitzenfeld A, Arbib MA. NSL Neural Simulation Language, en Neural Network Simulation Environments, Ed. J. Skrzypek, Kluwer 1994.

25. Weitzenfeld A, Arbib M, Cervantes F, Rudomin P, Alexander A. Multi-level Simulation Methodology: A Computational and Experimental Approach to Neural Systems, NSF Design and Manufacturing Grantees Conference, Monterrey, Mexico, 1998: 651A-652A.

26. Weitzenfeld A, Alexander A, Arbib MA. NSL - Neural Simulation Language: System and Applications, MIT Press (en preparación) 2001.

27. Werbos P. Beyond Regression, New Tools for Prediction and Analysis in the Behavioral Sciences, Tesis Doctoral, Harvard University, Boston, MA. 1974.

28. Wiskott L, Fellous JM, Krüger N, von der Malsburg C. Face recognition by elastic bunch graph matching, IEEE Transactions on Pattern Analysis and Machine Intelligence 1997; 19(7): 775-779.