基于STDP的神经元连接电路的仿真和分析

脉冲神经网络是目前最具有生物解释性的人工神经网络,是类脑智能领域的核心组成部分.首先介绍各类常用的脉冲神经元模型以及前馈和循环型脉冲神经网络结构;然后介绍脉冲神经网络的时间编码方式,在此基础上,系统地介绍脉冲神经网络的学习算法,包括无监督学习和监督学习算法,其中监督学习算法按照梯度下降算法、结合STDP规则的算法和基于脉冲序列卷积核的算法3大类别分别展开详细介绍和总结;接着列举脉冲神经网络在控制领域、模式识别领域和类脑智能研究领域的应用,并在此基础上介绍各国脑计划中,脉冲神经网络与神经形态处理器相结合的案例;最后分析脉冲神经网络目前所存在的困难和挑战.

尖峰时序相关构造是一种算法，旨在根据 Hebbian 尖峰时序相关可塑性 (STDP) 下的适应，从初始神经元群“生长”尖峰网络。 STDP 模拟生物神经网络适应，是根据突触前和突触后神经元尖峰的相对时间进行突触功效适应的过程。 当突触前神经元在突触后神经元出现尖峰之前立即出现尖峰时，不对称 Hebbian STDP 会产生兴奋性突触强度的增加。 这种构造性算法将 STDP 与模拟神经元作为与外部神经元连接的更大神经系统中的一个子群存在的假设相结合。 如果最近活跃的输入神经元集没有具有等效连接的关联模拟神经元，则假设存在具有这些连接的外部神经元并产生尖峰信号。 在 Hebbian STDP 下，这会导致与外部神经元的连接加强，并与最近活跃的输入神经元形成功能关联。 这个外部神经元与一组活动输入神经元相连，然后被添加到模拟神经元中。 该模拟已被开发作为应用于随机二维神经元场的尖峰时序相

论文“使用STDP进行数字识别的无监督学习”的Brian 2版本源代码 这个小项目是将PU Diehl撰写的论文“使用依赖于尖峰时序的可塑性进行无监督的数字识别学习”中的Brian 1代码转换为Brian 2版本。 先决条件 布赖恩2 MNIST数据集，可以从下载。 数据集包括四个gz文件。 下载它们后解压缩它们。 使用预训练的砝码进行测试： 运行主文件“ Diehl＆Cook_spiking_MNIST_Brian2.py”。 可能需要几个小时，具体取决于您的计算机 上一步完成后，通过运行“ Diehl＆Cook_MNIST_evaluation.py”对其进行评估。 培训新网络： 通过将第214行更改为“ test_mode = False”来修改主文件“ Diehl＆Cook_spiking_MNIST_Brian2.py”并运行代码。 训练后的权重将存储在“权重”文件夹中，

神经元 这是用于神经元模型的简单仿真工具。 当前，它支持SRM峰值模型和STDP学习模型。 您可以在上找到所有内容。

忆阻器是具有记忆和类突触特性的非线性电路元件. 基于此特性, 文中提出了一个基于STDP(spike-time-dependent plasticity) 学习规则的忆阻桥突触电路, 它具有可以作为人工神经网络突触的优势. 根据此优势, 将这个新的电路与其他电路和网络结合, 构成全新的电路和网络. 首先将该忆阻桥突触电路和3 个附加的晶体管结合在一起, 实现神经网络的突触运算, 并构建完整的忆阻桥突触神经网络. 然后再将它与细胞神经网络结合用于图像去噪、边缘提取、角检测和汉字识别. 最后, 通过一系列的仿真实验证实了该方案的可行性, 说明基于STDP 学习规则的忆阻桥突触神经网络更具仿生特性, 而且集成度更高、模板更易更换, 有望解决实时的复杂的智能问题.

自己用matlab搭建的SNN神经元模型，有博客中的matlab文件也有simulink仿真文件，第六版是最新的，还是比较简陋，后期也没有用到，有兴趣的可以看看，欢迎交流https://blog.csdn.net/qq_39295220/article/details/111330505

介绍LTP、LTD、STDP 学习机制，什么是LTP、LTD、STDP ，是神经网络必学知识。

脉冲神经网络亲测运行实例，Python版本的，正确不用调，所用的神经元模型为IF模型，进行STDP无监督学习，数据集为MNIST，可供学习。