4、神经元突触输入与线性电缆理论解析

神经元突触输入与线性电缆理论解析

1. 突触输入的非线性特性

1.1 突触输入的基本情况

在大脑中,常见的快速兴奋性突触是非 NMDA 突触,它使用神经递质谷氨酸,其反转电位比细胞静息电位高约 80 - 100 mV。当突触反转电位 (E_{syn}) 小于静息电位 (V_{rest}) 时,电流向外流动,细胞膜超极化,远离产生动作电位的阈值。在中枢神经系统中,这通常是由γ - 氨基丁酸 B 受体((GABA_B))介导的较慢形式的抑制引起的,这种突触释放神经递质 (GABA),使钾离子流出细胞,反转电位比静息电位低 10 - 30 mV。

若激活的突触电池电位接近膜电位,即 (E_{syn} \approx V_{rest}),当膜处于静息状态时,突触电导上没有驱动电位((V_m - E_{syn} \approx 0)),膜电位保持不变,但膜的总电导会增加 (g_{syn}(t))。当系统因兴奋性输入去极化时,这种沉默或分流抑制的激活会降低兴奋性突触后电位(EPSP)的幅度。激活 (GABA_A) 突触(皮层及相关结构中最常见的快速抑制形式之一)会增加氯离子的膜电导,其反转电位接近许多细胞的静息电位,从而实现一种分流抑制。

1.2 处理多个突触输入

由于电流可以叠加,我们可以将突触与 RC 电路并联,从而扩展公式来处理多个突触输入:
[
\sum_{i} g_{syn_i}(t)(E_{syn_i} - V_m) + \frac{V_m - E_{rest}}{R} + C\frac{dV_m}{dt} = 0
]
这里的求和是对所有突触进行的,每个突触都可以有自己的反转电位。这与标准神经

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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