第 26 节 脉冲神经网络的基本原理（第1页）

脉冲神经网络使用脉冲的方式与生物神经元类似。除了神经元的状态和突触权重之外，SNN 还将时间概念纳入到它的操作模型中。在这些神经元中，没有固定的传播周期，因此每个神经元仅在其状态达到特定阈值时才发出输出峰值。因此，这些网络中的信息流是脉冲序列，在神经元之间异步传播，并且脉冲之间的时间相关性至关重要。

让我们先来看一下生物大脑的机制。生物神经细胞（神经元）的细胞膜在没有受到刺激的时候，细胞膜内外两侧存在外正内负的电位差，形成一定的电位。当诸如钾和钠之类的离子通过通道进入或离开时，神经元会改变细胞膜电位。膜电位与离子电流的关系具有非线性特性，当超过一定的阈值时，输出是非常窄的脉冲，启动这种脉冲常被称为激发（Fire）。神经元通过被称为突触的连接进行连接，当从另一个神经元输入脉冲信号时，会在神经元内部产生与突触的连接权重相对应的效应（突触后电位），并且将被添加时间印记。

神经元内部和包括离子通道在内的突触具有非常明显的非线性特征，但是，在 SNN 中，这些细节被简化成一个简单明了的模型，如图 5.1 所示。一个神经元有许多输入脉冲，并在超过触发阈值时输出一个脉冲。从图上可以看到突触电位随着时间会有一定衰减，这是考虑了电路里 RC 时间常数的漏电效应，因此这个模型被称为漏电整合-激发（Leaky Integrate-and-Fire，LIF）模型，是目前使用最多的一种基本模型。根据对生物保真度的模仿程度，现在研究人员已经又提出了一些新模型，本书不再赘述，有兴趣的读者可自行查阅。

典型 LIF 神经元的膜电位随时间的变化如图 5.2 所示。当脉冲输入神经元，即 x i （t 1 ）=1 时，与该脉冲相关的突触权重 w i 将在膜上整合。当膜电位 V m 超过阈值 V t 时，神经元激发（即 y i =1）并重置其膜电位。对
（本章节未完结，点击下一页翻页继续阅读）