myc的博客

PyNN standard modelnonlinear integrate-and-fire model τddtu=f(u)+R(u)I\tau{{\text{d}}\over{\text{d}}t}u=f(u)+R(u)\,I\, ，其中发f(u)f(u)不是线性，电阻R随输入电压变化的 leaky integrate-and-fire model τddtu=−(u−ure

rate code最早的编码是mean firing rate，计算在一段时间内脉冲数的平均值，由于采用了均值，所以很多细节信息不能获取。 如上图所示，计算在TT的时间内的mean firing rate，右图为发放率随输入电流的曲线图。事实上，至少有三种不同的速率概念，经常被混淆和同时使用。无论是随时间推移的平均数，还是实验的几次重复的平均值，或者是神经元群体的平均值。1、随之

Integrate-And-Fire Models基础知识轴突：动作电位（电位差形成电流）=神经递质发放=脉冲产生 树突或细胞体：神经递质的接受=产生内外膜电位差（电流产生）=接收脉冲 脉冲编码：firing rate=1T1\over{T}, T为两个相邻脉冲的时间LIF响应公式 r(j)r(j)为firing rate，jj为膜电压 LIF是真实神经元的简化版，

摘要论文提出了一种将ANN网络转换成SNN的算法，并证明了该算法在复杂视觉识别问题(如cifar-10和ImageNet)中的有效性。介绍将ANN直接转换成SNN时，在SNN上的性能远低于ANN，这是因为应为SNN中拥有处理时序信息的能力，这点与ANN有很大的区别相关工作略主要贡献1、针对ANN转SNN，提出几个ANN结构的约束。 2、提出AN...

1、兴奋性突触与抑制性突触的作用是分别是神经元细胞膜电位的增加与减少。2、现在流行的人工神经网络所使用的神经元模型（例如ReLU）都是第二代神经元模型。它们主要用于处理模拟数值3、脉冲神经网络使用的第三代神经元模型，第三代神经元的构建是受生物真实性的启发，它能处理基于脉冲处理的信号4、脉冲神经网络的两个优势：1、计算效率高。2、具有更强的生物真实性5、脉冲神经元因其本身具有时间的属...

在生物神经网络中，神经元之间的的突触权重与粒子扩散有关。其中粒子的扩散遵循以下的原则：1、一种类似弹簧力（漂移）的存在，试图将粒子扩散达到动态平衡。2、一种是随机的力量（类似噪声），是由粒子间之间的相互作用造成的。这些粒子扩散可以就是神经元突触权重的更新。...

深层神经网络，如卷积网络和深度置信网络，代表了许多机器学习和计算机视觉分类问题的最新进展。为了克服深层网络计算量大的问题，鉴于目前可用于脉冲的专用硬件，最近已经提出了脉冲网络神经网络（SNN）。...