林伟

来自集智百科
跳转到: 导航搜索

目录

基本信息

林伟.png

个人简介

林伟于2003年1月获得中国上海复旦大学应用数学博士学位,专攻非线性动力系统。自2009年12月以来,林伟一直是复旦大学应用数学的全职教授,目前是计算系统生物学中心主任,复旦大学大脑启发智能科学技术研究所副所长。感兴趣的领域有:非线性动力系统和复杂网络、分岔和混沌理论,混合和时间结构,随机动态、自适应控制和同步,时间序列和因果关系分析,参数/延迟估计,模型/网络识别、数据同化,人工神经网络及它们在系统生物学和人工智能中的应用。

研究经历

  • 2009.12 至今 复旦大学 全职教授
  • 2007.05-2013.04 中国科学院计算生物学合作研究所 项目研究员
  • 2005.05-2006.11 复旦大学 副教授
  • 2004.05-2005.04 约克大学 数学与统计学系 博士后

教育经历

  • 1988.09-1994.06 华东师范大学第二附属中学
  • 1994.09-1998.06 复旦大学 应用数学与控制论
  • 1998.09-2002.12 复旦大学 应用数学

研究领域

研究方向

  • 非线性动力系统理论及其应用
  • 复杂性科学与计算系统生物学

技能和专长

人工智能 应用数学 统计 神经科学 数学建模 生物信息学与计算生物学 工程,应用与计算数学 非线性分析 数值分析 数学分析

就职院校

复旦大学类脑智能科学与技术研究院

“引领世界科技前沿,服务国家重大需求”是复旦大学在十三•五期间提出的科技发展战略方针。2015年3月,为更好践行这一使命,切实推动“智能科学与技术”新兴学科发展和前沿技术培育,服务国家智能产业发展需求和上海建设全球科创中心的战略目标,复旦大学成立了类脑智能科学与技术研究院(以下简称研究院)。作为复旦大学跨学科国际化研究中心的先行者和试验田,研究院以复旦大学雄厚的应用数学、计算机科学、生物学、信息学、临床医学等多学科综合优势为基础,以计算神经科学为桥梁,交叉融合、聚力创新,开展大脑机制解析、类脑智能算法、新药智能研发、脑疾病智能诊疗、通用智能等原创性基础研究和应用研究。

复旦大学数学科学学院

科研项目

动力系统理论启发和大脑启发的智能算法

相关文献:

非线性动力学系统的未来状态预测是一项艰巨的任务,特别是当现实世界系统中只有少数几个高维变量的时间序列样本可用时。在这项工作中,我们提出了一种无模型框架,称为随机分布嵌入(RDE),以基于短期高维数据实现准确的未来状态预测。具体而言,RDE框架从观测到的高维变量数据中随机生成足够数量的低维“非延迟嵌入”,并将它们中的每一个映射到“延迟嵌入”,该“延迟嵌入”由要预测目标变量。这些映射中的任何一个都可以充当低维弱预测器,用于将来的状态预测,并且所有此类映射都会生成预测的将来状态的分布。这种分布实际上将来自各种嵌入的所有关联信息无偏或有偏地修补到目标变量的整个动态过程中,在通过适当的估计策略进行操作之后,它创建了一个更强大的预测器,可以更可靠,更可靠的形式实现预测。通过将RDE框架应用于来自代表性模型和实际系统的数据,我们发现,即使在噪声恶化的情况下,高维特征也不再是障碍,而是对准确预测短期数据至关重要的信息源。创建更强大的预测器,以更可靠,更可靠的形式实现预测。通过将RDE框架应用于来自代表性模型和实际系统的数据,我们发现,即使在噪声恶化的情况下,高维特征也不再是障碍,而是对准确预测短期数据至关重要的信息源。创建更强大的预测器,以更可靠,更可靠的形式实现预测。通过将RDE框架应用于来自代表性模型和实际系统的数据,我们发现,即使在噪声恶化的情况下,高维特征也不再是障碍,而是对准确预测短期数据至关重要的信息源。

在本文中,部分受大脑生长和发育的生理学证据的启发,我们开发了一种新型的构造性学习算法,该算法具有可累加的非线性神经元。新算法具有有效的回归能力和准确的分类能力。特别地,当训练的网络的动力学在局部极小值附近陷入困境时,算法能够维持损耗函数的某种减小。该算法通过仅添加一些连接以及激活函数为非线性,非单调且自适应于损失函数动态的神经元来增强神经网络。实际上,我们通过分析证明了该算法针对不同问题的还原动力学,进一步修改算法,以获得增强的神经网络泛化能力。最后,通过与用于神经网络构建的经典算法和体系结构进行比较,我们表明,在包括MNIST在内的一些代表性基准数据集上,我们的构造学习算法及其改进版本具有更好的性能,例如更快的训练速度和更小的网络规模。手写数字数据集。


脉冲耦合振荡器网络

旨在了解脉冲耦合振荡器网络的动力学,并开发新的数学工具来促进这项研究。

相关文献:

在存在于Mirollo-Strogatz振荡器网络中的不稳定吸引子之间,异斜周期持续存在。

结果表明,任意数量的Mirollo-Strogatz振荡器都以持续的方式表现出不稳定的吸引子。

我们考虑一个具有延迟和全部耦合的脉冲耦合振荡器的网络。我们证明了动力学的不连续性引起了等时区的出现,即等时相空间的子集充满了具有相同周期的周期性轨道。对于网络参数的固定值,每个这样的同步区域都对应于具有非零尺寸的截面的适当表面上的初始状态的子集,以使该组中的所有周期性轨道在质量上都具有相似的动态行为。我们对此类等时区域进行了详细的分析和数值研究,给出了其存在性的证明并描述了其特性。我们进一步描述了系统中出现的其他同步区域。


基于多中心功能磁共振成像的关联研究

目标:基于多中心功能磁共振成像的关联研究 相关文献:

为了分析杏仁核在抑郁症中的功能,我们对336名患有严重抑郁症的患者和350名对照进行了杏仁核中的体素与大脑中所有其他体素的抑郁症的首次体素水平静息状态功能连接神经影像分析。杏仁核体素与眶额叶皮层,颞叶区域(包括颞极,颞下回和海马旁回)的功能连通性降低。杏仁核体素与眼眶额叶皮质和颞叶体素的功能连接强度的降低与贝克抑郁量表评分的增加以及抑郁症的病程长短有关。根据体素水平的功能连通性对350个健康对照进行的细胞分裂分析表明,杏仁核的基底部分与眶额叶皮质内侧区域具有较高的功能连通性,而背外侧杏仁核与眶额叶皮质外侧和相关的腹侧部分具有较强的功能连通性下额回。在抑郁症中,基底杏仁核节尤其减少了与奖励相关的内侧眶额皮质的功能连通性。而背外侧杏仁核细分与未奖励的外侧眶额皮质的功能连通性相对降低。背外侧杏仁核与外侧眶额叶皮层和下额回的相关腹侧部分具有很强的功能连通性。在抑郁症中,基底杏仁核节尤其减少了与奖励相关的内侧眶额皮质的功能连通性。而背外侧杏仁核细分与未奖励的外侧眶额皮质的功能连通性相对降低。背外侧杏仁核与外侧眶额叶皮层和下额回的相关腹侧部分具有很强的功能连通性。在抑郁症中,基底杏仁核节尤其减少了与奖励相关的内侧眶额皮质的功能连通性。而背外侧杏仁核细分与未奖励的外侧眶额皮质的功能连通性相对降低。

功能性大脑网络即使在静止状态下也显示出明显的时间变异性和动态重配置。当前,大多数研究以单(微)或全脑(宏)连接的规模研究脑网络的时间变异性。但是,时变特性的潜在机制仍不清楚,因为在微观或宏观尺度上分析时,脑网络变异性和神经活动之间的耦合都不容易看出。我们提出了一个中间(中观)规模分析,并描述了与特定区域相关的功能架构的时间变异性。这产生了反映整个大脑的可变性地形,最重要的是,创建一个分析框架,以建立区域功能架构的变异性与其神经活动或结构连接性之间的基本关系。我们发现,时间变异性反映了在不同时间将大脑区域动态重构为不同的功能模块,并可能表示大脑的灵活性和适应性。初级和单峰感觉运动皮层表现出低的时间变异性,而跨峰区域,包括异峰缔合区域和边缘系统,表现出高的变异性。尤其是,海马/海马旁,下颞中回,嗅回和尾状等变异性最高的区域都与学习有关,这表明时间变异性可能表明大脑适应性水平。利用同时记录的脑电图/功能磁共振成像和功能磁共振成像/扩散张量成像数据,我们还发现区域功能性结构的变异性受局部血氧水平依赖性活动和a波段振荡的调节,并受社区内部与社区之间的结构连接率。将中尺度变异性测量值应用于三个精神障碍和与之相关的控件的1180名受试者的多中心数据集后,发现那些表现出极端(即,控件中最高/最低变异性)的区域最容易发生精神障碍的变化。特别,我们提请注意精神分裂症和注意缺陷多动障碍/自闭症之间变异性变化的完全相反的模式。与各自的对照相比,默认模式网络的区域显示出精神分裂症患者的变异性较低,而自闭症/注意力缺陷多动障碍患者的变异性较高。相比之下,精神分裂症患者的皮质下区域,尤其是丘脑,变异性较高,而注意力不足过动症患者的变异性较低。这些区域的变异性变化也与症状评分密切相关。我们的工作提供有关静息大脑动态组织及其在脑部疾病中的变化的见解。节点变异性度量也可能潜在地用作学习和神经康复的预测指标。

部分科学研究

在复杂动力系统及其网络重构中,基于数据的无模型准确识别固有时间延迟和方向性交互作用是一个极具挑战性的问题。提出了一种具有新分数的无模型方法,该方法通常能够检测单个,多个和分布式时延。该方法不仅适用于相互作用的动态变量,而且适用于延时反馈回路中的自相互作用变量。使用物理,生物学和生态模型以及真实数据集对方法进行验证。尤其是,将该方法应用于香港心血管疾病的空气污染数据和医院入院记录中,可以发现导致疾病的主要空气污染物,更重要的是,它发现了先前研究未能发现的因果影响中的隐性时间延迟(大约30-40天)。预期所提出的方法将普遍适用于确定和量化由广泛学科产生的复杂系统中的细微相互作用(例如,因果关系)。

目前,控制复杂的非线性网络很大程度上尚未解决。现有工作要么集中在开环控制策略及其能耗上,要么集中在具有无限持续时间的闭环控制方案上。我们设计了一个有限时间的闭环控制器,着眼于控制时间和能量之间的权衡以及它们对网络参数和结构的依赖性的物理和数学基础。该闭环控制器已在包括干细胞分化,食物网,随机生态系统和尖峰神经元网络在内的大量实际系统上进行了测试。我们的结果代表了在开发严格的通用框架以控制具有复杂拓扑的非线性动态网络方面迈出的一步。

从生态系统和气候到经济,社会和基础设施系统的复杂网络系统,可能会出现一个临界点(“无回报点”),在该临界点系统会完全崩溃。要了解临界点的动力学机制并预测其随系统参数的变化而发生的情况极为重要,这些任务通常会受到基础系统通常非常高的维数的阻碍。使用生态学中的复杂互惠网络作为系统的原型类别,我们执行了降维过程,以获得具有与平均传粉媒介和植物丰度相对应的两个动态变量的有效2D系统。我们展示了使用从真实数据中提取的59个经验互惠网络,我们的2D模型即使在存在随机干扰的情况下也可以准确地预测临界点的发生。我们还发现,由于实际网络的结构缺乏足够的随机性,因此在降维过程中必须进行加权平均。我们简化的模型可以用作理解和预测现实世界互助网络中的临界点动力学的范例,以保护传粉媒介,并且可以将一般原则扩展到广泛的学科,以解决弹性和可持续性问题。

详细信息可进入林伟个人网站查看。

联系方式

  • 办公电话:021-55665141
  • 电子邮箱:wlin@fudan.edu.cn

相关链接

更多信息

个人工具
名字空间
操作
导航
工具箱