machine-learning - Izhikevich 神经元模型是否使用权重？

Question

我一直在研究神经网络，并且对实现尖峰神经元模型感兴趣。

我已经阅读了大量教程，但其中大多数似乎都是关于生成脉冲的，而且我还没有在给定的输入序列上找到它的任何应用。

假设我得到了输入序列:

Input[0] = [0,0,0,1,0,0,1,1]

它进入Izhikevich神经元，输入乘以权重还是只使用参数a、b、c和d？

Izhikevich 方程为:

v[n+1] = 0.04*v[n]^2 + 5*v[n] + 140 - u[n] + I
u[n+1] = a*(b*v[n] - u[n])

其中 v[n] 是输入电压，u[n] 是一般恢复变量。

是否有任何关于 Izhikevich 或类似尖峰神经元模型在实际问题上的实现的文本？我试图了解如何在该模型上编码信息，但它看起来与标准第二代神经元的编码方式不同。我发现的唯一涉及尖峰训练和一组权重的教程是 [1]，但我还没有看到 Izhikevich 的相同内容。

[1] https://msdn.microsoft.com/en-us/magazine/mt422587.aspx

Answer 1

简单的 Izhikevich 模型本身不包含权重。

您提到的两个方程对点神经元随时间变化的膜电位 (v[]) 进行建模。要使用权重，您可以使用突触连接两个或多个此类细胞。

每个突触可以包括源细胞(突触前)上的某种尖峰检测机制，以及目标(突触后)细胞侧的突触电流机制。然后，突触电流可以乘以权重项，然后成为目标细胞的I项(在上面的第一个方程中)的一部分。

作为一个非常简单的两细胞网络示例，在每个时间步，您可以检查前细胞 v 是否高于(例如)0 mV。如果是这样，则将(例如)0.01 pA * WeightPrePost 注入(inject)后置单元中。 WeightPrePost 的范围从 0 到 1，并且可以根据发射率或像 STDP 中那样的类似 Hebbian 的尖峰同步之类的情况进行修改。 .

当多个突触电流进入细胞时，您可以设计各种方案来对它们进行求和。最简单的只是简单的求和，更复杂的可能包括距离和树突直径等内容(例如模拟神经形态)。

本章很好地介绍了突触建模的其他方法:ModellingSynaptic Transmission