[发明专利]基于单指数核及神经膜电位状态的高效多脉冲算法

权利要求书

1.基于单指数核及神经膜电位状态的高效多脉冲算法，其特征在于，包括如下步骤：

1)初始化神经元模型参数；

2)输入脉冲时空模式图；

3)计算V(t)；

4)学习调整；

5)模型验证。

2.根据权利要求1所述的基于单指数核及神经膜电位状态的高效多脉冲算法，其特征在于，单指数核新型神经元模型如下：

N和w_i表示突触前神经元的数目和相对应的突触权重，是第i个突触前神经元发放第j个脉冲的时间，代表当前神经元第j个脉冲的发放时间；

θ表示神经元的阈值，当膜电位超过阈值时，神经元发射脉冲；

上式表明神经元对传入神经元的突触电流进行整合，此外神经元模型还包含了复位动态，当神经元发射脉冲后，会对自身的膜电位进行复位；

每一个传入突触电流都会对当前神经元的膜电位产生持续的影响，影响幅度由权重w_i和核函数决定；

是一个核函数，定义为：

在这里，τ表示膜电位的时间常数；

当神经元对输入进行整合，得到V(t)轨迹之后，即可以使用本发明中的学习算法进行调整学习。

3.根据权利要求1所述的基于单指数核及神经膜电位状态的高效多脉冲算法，其特征在于，基于当前神经元膜电位状态，直接修改接近神经元阈值的电压从而改变输出脉冲的个数，EMLC对神经元的权重调整学习规则如下：

其中

n_o是当前神经元的实际脉冲输出个数，n_d是想得到的脉冲发放个数；是由公式(1)对权重w直接求导得到的，λ是学习步长；

t_TLD代表神经元发射脉冲，对自身进行膜电位复位后最小的复位膜电位所在时刻点，如果神经元当前的脉冲个数n_o大于想要的个数n_d，则根据此时刻点的膜电位对神经元进行长时抑制LTD；t_TLP代表神经元小于阈值的最大膜电位所在时刻点，如果神经元当前的脉冲个数n_o小于想要的个数n_d，则根据此时刻点的膜电位对神经元进行长时增强LTP。