一种基于STDP机制的IF模型简化算法

触弹性是指神经细胞之间连接强度的变化,突触前细胞和突触后细胞产生峰电位的时间差可以改变突触弹性,这个现象被称为"尖峰时间依赖性可塑性",简称STDP。将STDP机制融合到传统的IF模型当中,改良后的模型可以更真实的拟合生物神经细胞的自然特性。本文以这种结合STDP机制的IF模型为基础,提出一个新的算法,并通过MATLAB进行仿真实验,实验结果表明该算法能够体现神经细胞的生理特性,具有更好的仿生功能。

新IF模型及其学习规则研究

针对Lapicque的Integrate-and-Fire(IF)模型,给出了一种新的Integrate-and-Fire(IF)简化模型,较以往的IF模型,此模型的活动方程大大简化,其运行结果很好地拟合了神经细胞的生理特性,尤其是该模型较好地匹配了突触连接的非线性特性。针对这一简化模型,给出了基于最大信息量的权向量学习规则,此规则的可行性在随后的盲信号分离应用中得到了证明。

一种基于侧抑制的IF模型及其分析

根据视觉神经元中的侧抑制特性对传统IF模型进行简化,简化了活动方程、降低了运算量。在神经元的点火方法上采用不同以往的异步的离散值的点火机制,提高了网络的适应性。仿真结果表明,对图像的处理比较接近人的行为活动,说明对此模型的改进是成功的。

对IF模型在有无时间延迟情况下的数值研究

在没有时间延迟的IF模型中,神经元的同步性比较差,神经元发放不规则,很容易在噪声强度较弱时就产生同一时刻只有一个神经元发放的现象.而在有时间延迟的IF模型中,神经元发放的同步性比没有时间延迟时要好,发放也较规则,不容易在噪声强度较弱时产生同一时刻只有一个神经元发放的现象.

IF神经网络电路模型及其分析

为了对IF神经网络模型向实际运用转化,具体对IF模型进行电路模拟,并从电路特性来解释生物神经元的主要特征,该模型满足一般的生物神经元的特性,如:具备非线性空间特性、时间特性(绝对不应期)、EPSP(Excitatory Post-synapitc Potentials)I、PSP(Inhibitory Post-synapitc Potentials),及胞体在阈值下活动期间能够完成EPSP和IPSP之间的非线性相互作用。从而使模型向具体电路转化接近,为人工模拟的理想模型向实际运用提供了方法。

Integrate-and-Fire模型下逆高斯分布输入的两种扩散近似

给出了更新过程的两种扩散逼近.讨论了逆高斯输入下IF模型的输出,包括发放率、变差系数.通过模拟知道两种扩散逼近能够很好地近似逆高斯输入,随着发放率的增大,发放波动较小,模型趋于稳定发放.

改进的神经递质释放概率模型

每个突触前神经元中囊泡的神经递质释放都会引起下一个神经元的响应.神经元的突触后响应是由突触的释放量与每个突触的短时程动力学相互作用决定的.根据随机Integrate and Fire(IF)神经元模型,给出了一个关于兴奋性神经元突触释放的概率模型.对于突触前神经元两种不同的连接方式,通过数值模拟,分别讨论了突触后响应的稳定性及其电流的概率分布,通过对比得出了在不同的连接结构下对突触后响应的影响.

指数衰减阈值对IF神经元点火统计特性的影响

研究了指数衰减阈值对高斯白噪声刺激下的IF(integrate-and-fire)神经元的影响,特别是对峰电位间隔的均值和标准差的影响.结果显示当阈值衰减缓慢时,不论神经元的点火频率何时与阂值的衰减频率相匹配,峰电位间隔的变化系数都能达到最小值.通过改变噪声强度或者输入电流,观察点火频率受到的影响.分析了在神经元点火后重新设置膜电位所引起的误差.把该IF网络用于图像边缘检测中,取得了较好的效果.

基于矩神经网络下的不变分布

给出了更新过程的一种扩散逼近.然后讨论了在更新输入的情况下,应用IF模型对神经元系统构建矩神经网络,包括神经元发放脉冲(Spike)的一阶和二阶统计量.在讨论了矩神经网络的不变分布的同时,通过模拟给出了不同情形下的不动点和边界曲线.