伊日基维奇神经元模型使用权重吗？

我一直在研究神经网络，并且对实现一个脉冲神经元模型很感兴趣。

我阅读了不少教程，但大多数似乎都是关于生成脉冲的，我还没有找到任何在给定输入序列上的应用。

例如，假设我有一个输入序列：

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

当它进入伊日基维奇神经元时，输入是否会乘以一个权重，还是仅使用参数a, b, c和d？

伊日基维奇方程如下：

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

其中v[n]是输入电压，u[n]是一个通用的恢复变量。

有没有关于伊日基维奇或类似脉冲神经元模型在实际问题上的实现的文本？我试图理解信息在这些模型中的编码方式，但这看起来与标准的第二代神经元的做法不同。我找到的唯一一个处理脉冲序列和一组权重的教程是[1]，但我没有看到同样的内容应用于伊日基维奇模型。

回答：

单纯的伊日基维奇模型本身并不包括权重。

您提到的两个方程，模拟了一个点神经元的膜电位（v[]）随时间的变化。要使用权重，您可以用突触连接两个或多个这样的细胞。

每个突触可以包括一些在源细胞（突触前）上的脉冲检测机制，以及在目标（突触后）细胞侧的突触电流机制。然后，该突触电流可以乘以一个权重项，然后成为目标细胞的I项（上述第一个方程中）的一部分。

作为一个非常简单的两个细胞网络的例子，在每个时间步，您可以检查前细胞的v是否高于（例如）0毫伏。如果是，则向后细胞注入（例如）0.01皮安 * weightPrePost。weightPrePost的范围从0到1，并且可以根据诸如发放率或类似Hebbian的脉冲同步性（如STDP）来修改。

当多个突触电流进入一个细胞时，您可以设计各种方案来对它们进行求和。最简单的方案只是简单求和，更复杂的方案可以包括距离和树突直径（例如，模拟的神经形态学）。

这章节是对其他建模突触方式的一个很好的介绍：ModellingSynaptic Transmission

学技术