脉冲神经网络 神经元模型-Izhikevich模型(3)

脉冲神经网络 神经元模型-Izhikevich模型

一 原理

之前的两篇博客分别介绍了HH模型和IF模型,其中HH模型过于复杂,不适合大规模仿真;IF模型过于简答,脉冲发射模式过于单一。因此,在2003年,Eugene M. Izhikevich提出了Izhikevich模型,简化HH模型同时具有大量的发射模式。

1.模型

通过对HH模型进行分岔分析,并结合IF模型的计算效率,Izhikevich提出了二维脉冲神经元模型:
d V / d t = 0.04 V 2 + 5 V 1 40 − U + I \mathrm{d}V/\mathrm{d}t = 0.04V^2+5V_140-U+I dV/dt=0.04V2+5V140U+I
d U / d t = a ( b V − U ) \mathrm{d}U/\mathrm{d}t=a(bV-U) dU/dt=a(bVU)
如果神经元的膜电位 V ≥ V\geq V 30mV,辅助的复位机制为:
V ⟵ V \longleftarrow Vc
U ⟵ U \longleftarrow UU+d

2.参数

参数含义
V膜电位
U恢复变量,用来代替生理模型中激活的K离子电流和失活的Na离子电流,实现对膜电位V的负反馈
a恢复变量U的时间尺度,a越小,恢复的越慢
b恢复变量U依赖膜电位V的阈值下随机波动的敏感程度
c发放脉冲后,V的复位值
d发放买抽,U的复位值

二 代码

1. 单神经元

a=0.02;
b=0.2;
r=rand(1);
c=-6+15*r^2;
d=8-6*r^2;
V=-65;
u=b*V;
VF=[];
tau = 0.5
tspan=100:tau:1000;
VT=30;
for t=tspan
 if(t>VT)
  I=10+(0.015*(t-VT));
 else
  I=10;
 end
 V=V+0.25*(0.04*V^2+5*V+140-u+I);
 u=u+0.25*a*(b*V-u)

 if V>30
  VF(end+1)=30;
  V=c;
  u=u+d;
 else
  VF(end+1)=V;
    end  
end
plot(tspan,VF);
set(gca,'FontSize',25);
xlabel('Time/ms','FontSize',25);ylabel('Membrane voltage/mV','FontSize',25);

2. 多神经元

按照Izhikevich论文中给的案例,兴奋型神经元800个,抑制型神经元200个(4:1)

%Created by Eugene M. Izhikevich, February 25, 2003 
% Excitatory neurons Inhibitory neurons 
Ne=4; 
Ni=1; 
re=rand(Ne,1);
ri=rand(Ni,1); 
a=[0.02*ones(Ne,1); 0.02+0.08*ri]; 
b=[0.2*ones(Ne,1); 0.25-0.05*ri]; 
c=[-65+15*re.^2; -65*ones(Ni,1)]; 
d=[8-6*re.^2; 2*ones(Ni,1)]; 
S=[0.5*rand(Ne+Ni,Ne), -rand(Ne+Ni,Ni)]; 
v=-65*ones(Ne+Ni,1);   % Initial values of v 
u=b.*v;                % Initial values of u 
firings=[];            % spike timings 
for t=1:1000           % simulation of 1000 ms 
    I=[5*randn(Ne,1);2*randn(Ni,1)];  % thalamic input 
    fired=find(v>=30);                % indices of spikes 
    firings=[firings; t+0*fired,fired]; 
    v(fired)=c(fired); 
    u(fired)=u(fired)+d(fired); 
    I=I+sum(S(:,fired),2); 
    v=v+0.5*(0.04*v.^2+5*v+140-u+I);   % step 0.5 ms 
    v=v+0.5*(0.04*v.^2+5*v+140-u+I);   % for numerical 
    u=u+a.*(b.*v-u);                   % stability 
end
plot(firings(:,1),firings(:,2),'.');

参考文献

  1. Izhikevich, E. M. Simple model of spiking neurons. IEEE Trans Neural
    Netw, 2003 (14): 1569-1572.
  2. https://www.cnblogs.com/Flltju/p/10624693.html
  • 6
    点赞
  • 47
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 脉冲神经网络 (SNN) 是一种基于脉冲功能的神经网络模型,最近在图像领域得到了广泛的研究和应用。下面是一些可能对您有所帮助的参考资料: 1. 论文: - "An Overview of Spiking Neural Networks":这是一篇关于脉冲神经网络的综述性论文,介绍了脉冲神经网络的基本原理、构造方法以及在图像处理方面的应用。 2. 综述: - "Spiking Neural Networks for Image Processing: A Survey":这是一篇关于脉冲神经网络在图像处理中的研究综述,涵盖了脉冲神经网络的基本原理、构造方法、模型以及在图像处理中的应用。 希望这些资料能帮助您更好地了解脉冲神经网络在图像领域的发展情况。 ### 回答2: 脉冲神经网络(SNN)是一种仿生神经网络,其灵感源自人类大脑的工作原理。与传统的人工神经网络(ANN)不同,SNN使用脉冲信号来传递和处理信息,这使得它在处理时间相关性和动态输入方面具有优势。在图像领域,SNN已经引起了广泛的研究兴趣和应用实践。 关于SNN在图像领域的发展,以下是一些您可以参考的资料: 1. 文献《脉冲神经网络及其应用在图像识别中的研究》(作者:李军等,发表于《电子设计工程》杂志)详细介绍了SNN在图像识别中的应用研究,包括SNN的基本原理、网络结构设计和模型训练方法等内容。 2. 《脉冲神经网络在计算机视觉中的应用研究综述》(作者:宋晖等,发表于《电子学报》杂志)对SNN在计算机视觉领域的应用进行了综述,包括图像分类、目标检测和图像生成等方面的研究进展和应用案例。 3. 《Spiking Neural Network for Object Recognition》(作者:Diehl P.U.等,发表于《IEEE Transactions on Pattern Analysis and Machine Intelligence》)是一篇重要的论文,介绍了SNN在对象识别中的应用。该论文详细阐述了SNN模型的设计和训练方法,并在多个图像数据集上进行了实验证明了SNN的有效性。 4. 开源软件PyNN和Brian是SNN的常用实现框架,您可以参考它们的官方文档和示例代码,以了解如何在图像领域利用这些工具进行SNN的开发和实验。 以上是一些关于SNN在图像领域发展的参考资料。希望这些信息对您有所帮助,并能满足您的学习需求。如果您需要更多详细的资料或者具体的研究论文,建议进一步通过学术数据库或搜索引擎进行查找。 ### 回答3: 脉冲神经网络(SNN)在图像领域的发展是一个热门的研究方向。SNN是一种仿生神经网络,其模拟了生物神经元脉冲传递方式,具有并行处理、低能耗等优势。它在处理图像数据方面具有潜力。 关于SNN在图像领域的发展,以下是一些了解性的参考资料推荐: 1. 期刊和会议论文:可搜索相关领域的国际期刊和会议,并查阅近年来发表的论文。例如,IEEE Transactions on Neural Networks and Learning Systems、Neurocomputing等期刊,以及International Conference on Artificial Neural Networks、International Joint Conference on Neural Networks等会议。 2. 综述文章:有很多综述文章概述了SNN在图像处理方面的发展。可以通过搜索关键词“spiking neural networks”和“image”来找到相关的综述文章。有些期刊也有专门发表综述文章的专栏,例如Frontiers in Computational Neuroscience。 3. 专著和教材:一些脉冲神经网络的专著或教材可能会包含一些关于SNN在图像领域的发展的章节。可以搜索相关的专著或教材,并查阅相应章节。例如,Eugene M. Izhikevich的《Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting》。 4. 学术搜索引擎:使用学术搜索引擎,如Google学术、ResearchGate等,通过关键词搜索“snn image processing”,可以找到最新的研究论文以及相关的研究小组、学者的个人主页,从而获取更多相关资料。 需要注意的是,SNN在图像领域的发展是一个活跃的研究领域,新的成果和资料可能时常更新。因此,及时关注最新的学术会议、期刊以及学者的研究动态,可以获取到更多的前沿资料。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值