脉冲神经网络的神经元的实现

在SNN中，脉冲神经网络有很多的神经元类型，包括HH、LIF和izhikevich等，所以在我的设计中，我希望所有的神经元都继承于一个Neuron的总类，这样在创建和使用时比较方便。

但是存在的一个问题就是这些神经元的超参数相同，在创建的过程中，我暂时不清楚用什么方法完成。比如在LIF神经元中，其更新方程为

1. 膜电位更新（Membrane potential update）：
   dv/dt = (-(v - E_leak) + I_syn) / tau_m

   其中：

   • dv/dt 是膜电位v随时间的变化率；
   • v 是膜电位；
   • E_leak 是静息电位（Leakage potential），表示神经元在静息状态下的膜电位；
   • I_syn 是突触输入电流，表示由其他神经元传递过来的突触输入；
   • tau_m 是膜时间常数（Membrane time constant），表示膜电位衰减的速度。

2. 阈值触发（Firing threshold condition）：
   if v >= V_threshold:
   v = V_reset
   发放一个脉冲（Fire a spike）

   其中：

   • V_threshold 是火灵阈值（Firing threshold），当膜电位超过该阈值时，神经元会发放一个脉冲；
   • V_reset 是重置电位（Reset potential），表示神经元在发放脉冲后膜电位被重置的值。

tau_m 是膜时间常数（Membrane time constant），表示膜电位衰减的速度。

而在izhikevich神经元中，其更新方程为：

1. 膜电位更新（Membrane potential update）：
   dv/dt = 0.04v^2 + 5v + 140 - u + I

   其中：

   • dv/dt 是膜电位v随时间的变化率；
   • v 是膜电位；
   • u 是恢复变量，表示膜电位的恢复程度；
   • I 是突触输入电流，表示由其他神经元传递过来的突触输入。

2. 恢复变量更新（Recovery variable update）：
   du/dt = a(bv - u)

   其中：

   • du/dt 是恢复变量u随时间的变化率；
   • a 和 b 是模型参数，控制恢复变量的变化速度和幅度。

3. 阈值触发（Firing threshold condition）：
   if v >= 30:
   v = c
   u = u + d

   其中：

   • 30 是点火阈值，当膜电位超过该阈值时，神经元会发放一个脉冲；
   • c 是脉冲时的膜电位重置值；
   • d 是脉冲时的恢复变量增量。:

明显可以看到三种神经元虽然有着相同的放电机制，但是其内部方程的参数完全不同，至于HH神经元，我觉得他太过于复杂，所以本文不再讨论。我计划设计成如何格式的代码，所有的神经元都继承于Neuron。

这篇文章应该昨天发的，但是因为电脑死机了，突然数据没保留，所及今天补发