【SRM神经元模型】利用代码解析SRM神经元

最新推荐文章于 2025-05-13 11:08:41 发布

原创

最新推荐文章于 2025-05-13 11:08:41 发布 · 1.7k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #神经网络

本文解析了SRM模型，包括spike形状函数、突触前影响、静息电位、贤者时间的消退过程，并介绍了简化版SRM0模型的区别。通过数学公式和代码实例展示了如何计算电位变化。

在解析代码之前，我们现在看一下SRM模型。
在这里插入图片描述
第一个函数表示一个spike应该具有的形状。其中tf是上一个发放脉冲的时间。
第二个函数中Iext描述的是所有突触前脉冲时间对膜电位产生的影响。
第三个函数应该很好理解，就是一个静息电位的电压。
早期的文章里SRM模型被描述成：
在这里插入图片描述
第二项就是前任神经元对本神经元对影响。
第三项比较特殊
一般的SNN模型里强行规定在本神经元射了之后的任何输入刺激均直接舍弃，但是这样的话显得太暴力了，不符合生物运行的规律，于是G大爷给这个贤者时间的消退也安排了函数。简单来说，在贤者时间中，收到的刺激会反应在膜电位上，但是对于膜电位的影响非常小，可能不及射前的百分之一。并且，贤者时间导致神经元的敏感度降低会指数降低，也就是说，神经元的敏感度会指数回升！
总的来说，第一项贴上了标准的发射过程电位，第二项表示在射之前收到的所有刺激对电位的影响，第三项表示射之后（贤者时间）收到的所有刺激对电位的影响。

至于简化版SRM0神经元。
在这里插入图片描述
可以看出就是早期的SRM模型把最后一项，在不应期也会对刺激产生反应的部分去掉了。
形式是这样的。
其中，

eta函数图像。

在这里插入图片描述
eps函数图像：

上代码吧，代码看的更清楚一些。

import numpy as np
import functools


class SRM:
    """ SRM_0 (Spike Response Model) """
    #def __init__(self, neurons, threshold, t_current, t_membrane, eta_reset, simulation_window_size=100, verbose=False):
    def __init__(self, neurons, threshold=1, t_current=0.3, t_membrane=20, eta_reset=5, simulation_window_size=100, verbose=True):
        """
        Neurons can have different threshold, t_current, t_membrane and eta_resets: Set those variables to 1D np.arrays of all the same size.


        :param neurons: Number of neurons
        :param threshold: Spiking threshold
        :param t_current: Current-time-constant (:math:`t_s`)       #电流时间常数
        :type t_current: Float or Numpy Float Array
        :param t_membrane: Membrane-time-constant (t_m)     #细胞膜时间常数
        :param eta_reset: Reset constant
        :param simulation_window_size: Only look at the n last spikes       #滑动窗口
        :param verbose: Print verbose output to the console
        :return: ``None``
        """


        # Check user input
        try: neurons = int(neurons)
        except: raise ValueError("Variable neurons should be int or convertible to int")


        # threshold, t_current, t_membrane, and eta_reset are all vector
        threshold = np.array(threshold)
        t_current = np.array(t_current)
        t_membrane = np.array(t_membrane)
        eta_reset = np.array(eta_reset)


        if not(threshold.shape == t_current.shape == t_membrane.shape == eta_reset.shape):      #阈值 输入电流时序 细胞膜时序 重置时间常数+
            raise ValueError("Vector of threshhold, t_current, t_membrane, and eta_reset must be same size")


        try: simulation_window_size = int(simulation_window_size)
        except: raise ValueError("Variable simulation_window_size should be int or convertible to int")


        self.neurons = neurons
        self.threshold = threshold
        self.t_current = t_current
        self.t_membrane = t_membrane
        self.eta_reset = eta_reset
        self.simulation_window_size = simulation_window_size
        self.verbose = verbose
        self.cache = {
   
   }
        self.cache['last_t'