Integrate-and-Fire模型输入的最优解码

研究了随机相关输入的Integrate-and-Fire(IF)神经元模型的最优解码问题.使用Fisher信息,在理论上解决了这样一个问题:当抑制和兴奋输入的比r取何值时,神经元能最精确地解码IF神经元的输入.指出相关输入整体上减小了解码的精确性.     

整合发放神经元模型突触输入参数估计

文章针对突触输入和噪声共同作用下的整合发放神经元模型,在不考虑放电阈值前提下,采用最小二乘法估计突触输入参数;当考虑神经元放电阈值特性时,将放电阈值看成一个吸收边界,导出膜电位转移概率密度函数,再利用极大似然法估计突触输入参数。结果表明:最小二乘估计仅适合阈下活动的参数估计,而对阈上活动无效;极大似然估计适用于神经元放电的阈值行为;无论是从适用范围还是估计精度来说,极大似然估计都要优于最小二乘估计。     

低相关更新输入影响Integrate-and-Fire模型的输出

研究了随机更新输入的IF神经元模型的近似问题，得到了两种新的近似方案．讨论了低相关更新输入对Integrate-and-Fire模型输出的影响．对低的正相关，随着输入相关的增加，平均发放时间缩短．对低的负相关，平均发放时间独立于输入相关．     

新IF模型及其学习规则研究

针对Lapicque的Integrate-and-Fire(IF)模型,给出了一种新的Integrate-and-Fire(IF)简化模型,较以往的IF模型,此模型的活动方程大大简化,其运行结果很好地拟合了神经细胞的生理特性,尤其是该模型较好地匹配了突触连接的非线性特性。针对这一简化模型,给出了基于最大信息量的权向量学习规则,此规则的可行性在随后的盲信号分离应用中得到了证明。     

耦合神经网络中脉冲信号传输的噪声增强研究

对积分发放神经元耦合网络中脉冲信号传输的噪声增强现象进行了研究。通过权矩阵控制神经元间耦合强度和网络结构,网络中脉冲刺激信号激励靶神经元,而网络内各神经元都受到内部噪声的驱动。研究表明,随着噪声强度的增加,神经网络输出发放率与离散脉冲信号发放率的互相关系数不断增加并达到极值,证实了脉冲信号传输中耦合神经网络中存在噪声增强现象。还进一步分析了门限电势、网络结构以及噪声类型对输入输出发放率之间互相关系数的影响。这些研究结果为进一步将随机共振理论应用到神经系统中脉冲信号传递问题提供了实际依据。     

Stein神经元模型在共同的随机输入下的同步性

主要证明了脉冲幅度与神经元状态有关的Stein模型都能够使两个初始膜电位不同的神经元以概率1达到同步发放.这一结论可以推广到多个初始膜电位不同的神经元.但同步发放的时间没有上限,目前只能给出一个粗略的方法,估计出同步概率在α%(0 <α<100)以上的同步时间.最后,脉冲幅度与神经元状态有关的Stein模型的数值模拟结果符合前述结论的预期.