神经元网络同步放电的抗扰特性
耦合神经元的放电行为研究
耦合神经元的放电行为研究神经元是大脑中最基本的功能单元，它们通过电化学信号进行相互之间的通信。
研究神经元之间的连接和放电行为对于理解大脑的工作机制具有重要意义。
近年来，科学家们对耦合神经元的放电行为进行了深入研究。
耦合神经元是指相互连接并且能够共同产生活动电位的神经元。
它们通过突触连接或电耦合相互联系在一起。
突触连接是神经元之间最常见的连接形式，通过神经递质的释放与接受来传递信号。
电耦合是指神经元之间通过电流直接进行信号传递。
这两种连接方式在不同的神经回路中起到不同的作用。
研究表明，耦合神经元的放电行为受到许多因素的影响。
首先，突触传导的速度和效率会影响神经元之间的通信。
突触前神经元释放的神经递质能够调节突触后神经元的放电活动，从而影响整个神经回路的功能。
其次，神经元的电耦合强度也会影响其放电行为。
电耦合强度越高，神经元之间的信号传递越迅速和紧密。
此外，神经元的自身特性和外部环境因素也会对其放电行为产生影响。
研究耦合神经元的放电行为对于理解大脑的信息处理和神经疾病的发生机制具有重要意义。
通过观察神经元之间的连接和放电活动，科学家们可以揭示神经回路的结构和功能。
例如，在大脑中存在着一些特定的神经回路，它们负责调节情绪和认知功能。
研究耦合神经元的放电行为有助于揭示这些回路的工作原理，从而为治疗精神疾病和神经退行性疾病提供理论基础。
总之，耦合神经元的放电行为是大脑功能的基础。
通过研究神经元之间的连接和放电活动，我们可以更好地理解大脑的工作机制，并为神经疾病的治疗提供新的思路。
未来的研究应该进一步探索神经元之间的耦合机制，以及与其相关的分子和细胞过程，从而为神经科学领域的发展做出更大的贡献。
耦合神经网络同步与神经元随机共振的研究
耦合神经网络同步与神经元随机共振的研究耦合神经网络同步与神经元随机共振的研究引言：神经科学研究一直致力于深入探索大脑的工作原理和机制。
耦合神经网络同步和神经元随机共振作为神经网络中重要的现象，对于理解大脑功能和疾病的发生机制具有重要意义。
本文将探讨耦合神经网络同步与神经元随机共振的研究。
一、耦合神经网络同步耦合神经网络同步是指网络中的神经元之间具有时间相关性，即神经元之间的动态行为趋于同步。
网络中的神经元通过相互作用产生耦合，这种耦合是由复杂的突触相互作用导致的。
同步现象的发生可以通过电生理实验和计算模拟方法进行研究。
实验研究：研究者使用多电极阵列记录了大脑皮层的神经元活动，观察到耦合神经网络存在着明显的同步现象。
通过控制电刺激的输入强度和时间间隔，发现可以调节神经元同步的程度。
另外，通过改变网络结构和突触强度等因素，也可以影响网络的同步性质。
计算模拟：研究者借助计算模拟方法，构建了耦合神经网络模型。
通过调节网络连接权重，研究发现网络同步性质与连接强度之间存在着非线性关系。
合理选择网络连接权重可以实现网络同步或者异步的状态转换。
二、神经元随机共振神经元随机共振是指神经元在特定的频率范围内对外部输入信号变得敏感，从而增强输入信号的传递效果。
神经元随机共振是一种非线性现象，可以通过控制信噪比和输入频率等参数进行研究。
实验研究：实验研究发现，神经元对于不同频率的输入刺激表现出明显的共振效应。
当输入频率与神经元自身共振频率相匹配时，神经元的放电率会显著增加。
神经元随机共振可以提高信息传递的可靠性。
计算模拟：研究者通过构建数学模型，模拟了神经元的随机共振现象。
通过调节噪声水平和输入频率等参数，模拟结果显示了神经元随机共振的特性。
另外，通过改变网络结构和突触强度等因素，也可以影响神经元随机共振的发生。
三、耦合神经网络同步与神经元随机共振的关系耦合神经网络同步和神经元随机共振是大脑中相互作用的两种重要现象。
研究发现，网络同步性质的变化可以影响神经元随机共振的发生。
不同类型突触输入对电突触连接神经元同步化放电的调控
不同类型突触输入对电突触连接神经元同步化放电的调控汪雷【摘要】Objective Synchronous firings exhibit important roles in neural information transmission and encoding,and how to efficiently modulate neuronal synchronizations is always one of the hot spots in brain science research.By means of computer simulations,this paper aims to investigate how synaptic types and relative strengths modulate the synchronization between electrically coupled neurons.Methods Based on the Izhikevich neuron model,a three-neuron network was constructed.By setting one neuron as a modulator,synchronous activities between the other two neurons were numerically analyzed.Results For electrical coupling and excitatory chemical coupling,synchronization strength between the two neurons could be enhanced if the two neurons received synaptic inputs with similar weights.However if the two neurons received synaptic inputs with rather different weights,the synchronization strength could be significantly weakened.For inhibitory chemical coupling,the same conclusion could be drawn when firing frequency of the modulator was low;while higher frequency of the modulator can almost completely suppress the synchronization irrespective of the relative synaptic weights.Conclusions Synchronization strength between electrically coupled neurons can be effectively modulated by the external synaptic inputs,this result promote the exploration about initiation and modulation of synchronization in nervous system.%目的同步化放电在神经信息传递和编码过程中极为重要,如何调控神经元之间的同步化放电也一直是脑科学研究的热点之一.本文利用计算机模拟的方法,研究突触输入类型和相对强度的不同对同步化放电活动的调控作用.方法首先基于Izhikevich神经元模型,构造一个三神经元网络,然后添加不同类型的突触输入(电突触、兴奋性化学突触及抑制性化学突触),最后设定其中一个神经元为调控器,分析另外两个神经元的同步化放电活动.结果对于电突触和兴奋性化学突触输入,当两个神经元接收到的输入强度接近时,同步性会增强,反之则会减弱.而对于抑制性化学突触输入,当调控器神经元的放电频率较低时,同步性的变化与电突触和兴奋性化学突触的情况类似;当调控器神经元的频率较高时,同步化活动显著地被压制.结论电突触连接神经元之间的同步化活动会受到外界突触输入类型及相对大小的调控,为进一步探索神经系统中同步化活动的起源和调控提供了参考.【期刊名称】《北京生物医学工程》【年(卷),期】2017(036)003【总页数】6页(P268-272,309)【关键词】神经元;同步性;调控;电突触;化学突触【作者】汪雷【作者单位】中国传媒大学脑科学与智能媒体研究院北京 100024【正文语种】中文【中图分类】R318.04同步化放电活动是神经系统很多脑区中广泛存在的一种现象，并受到了越来越多的关注和研究[1-4]。
神经网络中的临界现象与同步行为研究
神经网络中的临界现象与同步行为研究神经网络中的临界现象与同步行为研究引言神经网络是一种模拟生物大脑工作方式的计算模型，它由大量的神经元单元和它们之间的连接组成。
在神经网络中，存在一些引人注目的现象，包括临界现象和同步行为。
临界现象是指神经网络在某些参数取值范围内，呈现出复杂、非线性且高度协调的状态。
而同步行为是指神经元之间的活动出现高度同步，表现出规律性的震荡或脉冲行为。
本文将对神经网络中的临界现象和同步行为进行研究，探究其背后的机制和应用价值。
临界现象临界现象是指一个系统的某个或某些物理量在某个特定临界点附近，出现剧烈变化的现象。
在神经网络中，临界现象表现为网络活动呈现出高度复杂和协调的状态。
一些研究发现，神经网络的参数设置在临界点处能够获得最优性能。
这种临界性质使神经网络能够处理大量信息，并在学习和记忆任务中表现出强大的能力。
临界现象和神经网络的性能之间存在密切关系。
临界性意味着神经元之间的信息传递和处理达到最佳状态，网络可以更好地进行学习和记忆。
此外，在临界点附近，网络活动也更容易被控制和调节。
由此可见，研究临界现象有助于深入理解神经网络的功能以及其在认知、人工智能等领域中的应用。
研究发现，临界现象是由神经元之间复杂的相互作用而产生的。
神经元之间的连接形成了网络的拓扑结构，这种结构决定了网络的整体行为和性能。
当网络处于临界点附近时，连接权重之间的微小变化可能导致网络活动的剧烈变化。
这种敏感性使网络能够快速调节和适应外部环境的变化。
同步行为同步行为是指神经元之间的活动呈现出高度同步的现象。
神经元是由电信号进行通信的基本单位，当网络中的神经元之间的活动同步时，它们之间的通信效率显著提高。
同步行为在神经网络的信息传递和处理中起着重要作用。
同步行为可以通过神经元之间的相互作用及其之间的连接方式实现。
当网络处于临界点附近时，神经元之间的连接会发生剧变，这可能导致某些特殊模式的同步行为出现。
同步行为不仅可以提高神经网络的信息处理能力，还可以用于实现同步脉冲编码和时序处理等任务。
神经元的电生理特性和信号处理机制
神经元的电生理特性和信号处理机制神经元是神经系统的基本单位，它负责信息传递和处理。
神经元的电生理特性和信号处理机制是神经元发挥这些功能的关键。
本文将从以下几个方面探讨神经元的电生理特性和信号处理机制。
一、神经元的电生理特性神经元的电生理特性主要包括静息电位、动作电位和突触传递。
1. 静息电位静息电位是神经元在没有外界刺激时的电位。
静息电位通常为负电位，即内部电位低于外部电位。
这是由于细胞膜上的离子泵不断将钠离子推出细胞，将钾离子吸入细胞。
2. 动作电位当神经元受到足够的外部刺激时，细胞膜上的离子通道会打开，使得钠离子大量进入神经元，从而导致内部电位升高，这种快速的、短暂的电位变化称为动作电位。
3. 突触传递神经元之间的信息传递主要通过突触完成。
当一个神经元的动作电位抵达突触末端时，会导致释放一些化学物质，称为神经递质，神经递质会跨越突触间隙，影响另一个神经元的电位。
这种传递方式称为突触传递。
二、神经元的信号处理机制神经元可以通过对输入信号的处理产生输出信号，这些信号会被传递给下一个神经元，从而影响神经系统的整体功能。
神经元的信号处理机制主要有加权和积分、抑制和门控。
1. 加权和积分当输入信号到达神经元时，它们会被加权和积分。
神经元的树突和细胞体上都有许多离子通道，这些通道可以被不同类型的信号调节。
比如说，某些通道会使得钠离子流入神经元，从而使得内部电位升高；而另一些通道则会使得钾离子流出神经元，降低内部电位。
这些通道的不同组合使得神经元能够对不同类型的信号做出不同的反应。
2. 抑制神经元之间的信息传递不仅仅是兴奋性的，还有抑制性的。
当一个神经元的兴奋信号传递到另一个神经元时，可能会引起该神经元的抑制反应，这样可以避免信息重复传递和过度激活。
3. 门控神经元内部的离子通道可以被门控机制控制。
门控机制是一种动态调节离子通道通量的方式，它可以通过调节离子通道的打开速度、持续时间和关闭速度，来实现对输入信号的高度可塑性。
经颅磁声电激励下Fitzhugh-Nagumo神经元模型放电特性分析
640 引言近年来，神经类精神疾病已经成为人类社会中非常突出的公共卫生问题。
根据当前我国总人口数据统计分析可知，在中国十四亿人口中大约有五分之一的人都存在神经障碍或慢性精神疾病，重症精神疾病患者近千万[1-3]。
因此，在实践发展中需要进一步完善神经精神类疾病的诊断干预手段。
已有研究发现，神经精神类疾病的发生与神经系统病变、神经元功能障碍有着密切关联，针对特定脑区的神经调控可以有效调节神经活动状态[4]。
神经元之间的信息传递通过发放电模式、神经元的耦合、同步等形式实现[5]。
耦合神经元同步反映神经元个体间放电活动的相关性，在神经元信息传递过程中起重要作用。
其中，神经信号同步与帕金森、癫痫等神经精神类疾病的发生密切相关[6]。
经颅磁声电刺激作为一种新型的神经调控步控制，为进一步了解磁通神经元放电活动及其膜电压迁移提供了有益探讨[15]。
影响计算神经科学发展的关键因素在于提供完全的神经元计算模型[16,17]。
1952年，Hodgkin 和Huxley通过分析巨型鱿鱼轴突表明神经元膜电位变化与离子跃迁有关[18]。
1962年，Fitzhugh 和Nagumo提出二维常微分方程作为神经元模型，易于激发单个神经元放电模式并降低计算复杂度[19]。
该模型可以通过线性和非线性反馈获取单个神经的再生式自激行为。
2013年，Yilmaz等人研究了FHN模型在无标度网络中的随机共振，有利于深入理解复杂神经元系统中的信息处理[20]。
2018年，贾亚等人研究了电磁感应及耦合场作用下神经元集群放电反应[21-22]；同年，马军等人提出一种电磁场作用下的新型神经元模型，通过磁通量和电荷变化描述电磁场对神经元的作用机制[23]，后考虑电场变化，改进FHN神经元模型为三维微分[24]66经颅磁声电刺激原理如图1.1所示。
Y（a）负离子静磁场++（b）图1.1 经颅磁声电刺激原理（a）磁场、声场、电场分布；（b）原理示意图Fig.1.1 Principle of Transcranial Magnetic AcousticElectrical Stimulation.(a) Magnetic field、 acoustic field、 electric fielddistribution；(b)Schematic diagram of principle生物组织中带电离子受到超声波作用产生振动，假设超声为沿z轴传播的简谐平面波，则正负带电离子的瞬时振动速度vz为：0sin()z v v t ωϕ=− (1)其中，v0为离子速度的最大值，ω为简谐运动的角频率。
神经元网络模型及其稳定性分析
神经元网络模型及其稳定性分析神经元网络模型是神经科学领域中的一个重要研究方向。
该模型通过对神经元及其之间的相互作用关系进行建模，可以更加深入地了解神经系统的运作机理，并对神经系统的许多重要现象进行解释和预测。
本文将从神经元网络模型的基础入手，介绍神经元的动力学行为和网络拓扑结构；然后从稳定性分析的角度探讨神经元网络的同步和异步行为，讨论网络的稳定性以及如何设计控制策略来维持稳定性。
一、神经元的动力学行为神经元是神经系统的基本单位，其通过神经突触与其他神经元之间相互作用。
神经元的动力学行为可以被模拟成一些基本的数学方程，最常用的是Hodgkin-Huxley模型。
该模型描述了神经元膜电势的变化及其影响因素，包括细胞膜的电容、离子通道的电导和电流等。
在Hodgkin-Huxley模型中，神经元的膜电势随着时间的推移而发生变化。
初试时，神经元的膜电势为静息电位，当该神经元受到外部刺激时，膜电势将会随之变化。
变化的大小和方向取决于外部刺激的强度和类型，以及神经元本身的特征参数。
在经历一个周期之后，神经元的膜电势会重新返回静息电位。
神经元的动力学行为还有其他的模型，包括FitzHugh-Nagumo 模型和Izhikevich模型等。
这些模型可以用来描述神经元的不同类型及其行为，如兴奋型和抑制型神经元，周期性放电和临界放电等。
二、神经元网络的拓扑结构神经元网络的拓扑结构是指神经元之间的连接方式和关系。
不同的拓扑结构对神经网络的动态行为产生了不同的影响。
最简单的神经元网络拓扑结构是全连接结构，即所有神经元之间都有相互作用。
这种拓扑结构可以有效地传递信息，但同时也容易产生不稳定的行为，如神经网络的自发震荡。
另一种常见的拓扑结构是层次结构，即神经元按照层次分组。
类似于神经系统的分层结构，这种网络拓扑结构的优点是具有层次性和稳定性，但也存在信号传输效率低和信息处理能力不足等问题。
还有一些其他的神经元网络拓扑结构，如小世界网络、无标度网络等。
神经元网络的生物物理特性
神经元网络的生物物理特性神经元网络是指由神经元所组成的网络结构，是我们理解和研究大脑行为的基础。
为了更好地模拟人类大脑，我们需要深入了解神经元网络的生物物理特性。
一、神经元的结构和功能神经元是指大脑的基本单位，也是神经系统中最基本、最重要的细胞。
神经元的结构一般分为细胞体、树突、轴突等几个部分。
细胞体是神经元的主要部分，其中含有细胞核、细胞质和各种细胞器。
树突是神经元主要的输入部分，能够接收来自其他神经元的信号。
轴突是神经元的输出部分，能够将信号传递给其他神经元或神经肌肉末端。
神经元之间的信息传递是通过神经递质来完成的。
二、神经元网络的生物物理特性神经元网络的复杂、大规模和非线性特性，使得它的建模和分析变得非常困难。
但通过对神经元的物理机制和行为的研究，人们逐渐发现其中的一些规律。
1. 线性和非线性特性在输入信号较弱的情况下，神经元的响应可以被看作是线性的。
但当输入信号达到一定阈值之后，神经元的响应会变得非线性，甚至出现“开关”式的响应。
这种非线性特性可能涉及到神经元中复杂的离子通道和膜电位调节机制。
2. 动力学特性神经元的响应能够表现出一定的时间动态特性。
比如，在一段时间内当输入信号的变化比较缓慢时，神经元的响应也会跟随这种变化，产生“积分”的效应。
而在输入信号变化比较快的情况下，神经元的响应则能够表现出更为复杂的动力学行为。
3. 网络拓扑特性神经元网络中的拓扑结构也是影响其性能的关键因素之一。
从拓扑结构上，神经元网络可以被描述为无标度网络，即部分节点拥有更多的连接。
此外，神经元网络还有一些小世界特性，即节点之间的距离并不很远。
三、神经元网络的应用神经元网络的研究不仅有助于我们理解大脑行为，还可以被应用在工程和科学研究中。
比如，神经元网络在人工智能领域已经得到了广泛的应用，被用来处理图像、语言等复杂问题。
此外，神经元网络还可以被用来模拟和分析其他复杂的动态系统，如气象、物流等。
四、结论神经元网络的生物物理特性是其研究的基础。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ｂ）有噪声 ＦＨＮ 神经元
（ｃ）噪声环境下 ＦＨＮ 神经元同步放电 图１ ＦＨＮ 神经元同步抑制噪声干扰作用 Ｆｉｇ．１ Ｒｏｌｅ ｏｆ ＦＨＮ ｎｅｕｒｏｎａｌ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ
ｉｎ ｎｏｉｓｅ－ｒｅｄｕｃｔｉｏｎ
第 １０ 期
常 小 龙 ，等 ：神 经 元 网 络 同 步 放 电 的 抗 扰 特 性
听觉系统中的毛细胞和视觉系统中光感受器都 存在平均原则 ．另 ［１０－１１］ 外，很多研究者认为在合适的 条件下噪声可 以 增 强 或 诱 导 同 步 ，甚 ［１２－１３］ 至 在 神 经 元中形 成 随 机 共 振 现 象 实 现 弱 信 号 的 检 测 与 传 递 ． ［１４］
最 近 Ｔａｂａｒｅａｕ 等 认 ［１５－１６］ 为 同 步 可 以 抑 制 噪 声 干扰，提高信息处理的精度．Ｎｅｅｄｌｅｍａｎ等 假 ［１７－１８］ 设 神经元受到较小噪 声 环 境 干 扰，基 于 线 性 动 力 学 模 型研究了“精度集体 增 强”的 问 题，即 振 子 之 间 同 步 可以提高脉冲发放 时 间 的 精 度．本 文 采 用 数 值 仿 真 的方法，研究噪声环 境 下 神 经 元 同 步 放 电 的 抗 扰 特 性；利 用 ＦｉｔｚＨｕｇｈ－Ｎａｇｕｍｏ（ＦＨＮ）神 经 元 网 络 模 型 ，展 示 了 神 经 元 同 步 抑 制 噪 声 干 扰 的 物 理 现 象 ；给 出了定量分析神经元网络放电同步程度和抗扰特性 的 数 学 方 法 ．在 此 基 础 上 ，研 究 了 神 经 元 数 目 和 耦 合 强度对放电同步程 度 和 抗 扰 特 性 的 影 响 规 律，并 分 析了神经元网络放电同步程度和抗扰特性之间的关 系及具有小世界属性的神经元网络同步放电的抗扰 特性．
ｉ 的耦合强度；ξｉ（ｔ）为 高 斯 噪 声，用 来 模 拟 神 经 元 的 噪 声 环 境 ，神 经 元 之 间 的 噪 声 相 互 独 立 ，噪 声 的 统 计
特性用 均 值μ 和 方 差σ２ 表 示；ｘｉ，ｘｊ 为 神 经 元 的 膜 电位；ｙｉ 为神经元 的 恢 复 变 量；Ｉｉ 为 外 界 刺 激 信 号； Ｎ 为网络包含神经元的数目；ａ，ｂ，ｒ 为 控 制 变 量，数
（ ） ｄｘｉ
ｄｔ
＝ｒ ｘｉ
－
１３ｘｉ３
＋ｙｉ
＋Ｉｉ
＋ξｉ（ｔ） ＋烌
∑
Ａ（ｉ，ｊ）Ｃｊｉ（ｘｊ －ｘｉ）
ｉ，ｊ∈Ｎ，ｉ≠ｊ
烍 （１）
（ ） ｄｙｉபைடு நூலகம்
ｄｔ
＝－
１ ｒ
（ｘｉ －ａ＋ｂｙｉ）
烎
式中：Ａ 为 连 接 矩 阵，Ａ（ｉ，ｊ）＝１ 表 示 存 在 神 经 元ｊ
到神经元ｉ 的边，否则不存在该边；Ｃｊｉ为神经 元ｊ 对
扰神经元放电波形与噪声环境下神经元网络同步放
电波形之间的相关 性，来 评 价 神 经 元 网 络 抗 扰 特 性
的强弱．
假设ｕ１＝ｆ１（ｔ），ｕ２＝ｆ２（ｔ）为２个连续的函数，则
在［ｔ１，ｔ２］时间内，ｕ１，ｕ２ 的互相关函数可以表示为
∫ Ｒ１２（τ）＝ ｔ２ｆ１（ｔ＋τ）ｆ２（ｔ）ｄｔ ｔ
１４８７
３ 放电同步程度与抗扰特性定量分析
３．１ 神 经 元 网 络 放 电 同 步 程 度 评 价 指 标 ［ｔ１，ｔ２］时间内，神 经 元 膜 电 位 ｘｉ 和ｘｊ 的 距 离
表示为
槡∫ ｘｉ －ｘｊ ＝
ｔ２ ［ｘｉ（ｔ）－ｘｊ（ｔ）］２ｄｔ
ｔ１
（２）
数 值 仿 真 时 ，对 膜 电 位 离 散 采 样 后 ，膜 电 位 距 离
Ｏｒｄｎａｎｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５０００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｕｎｄｅｒｓｔａｎｄ ｔｈｅ ｕｎｄｅｒｌｙｉｎｇ ｍｅｃｈａｎｉｓｍ ｏｆ ｒｅｌｉａｂｌｅ ｎｅｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｉｎ ｎｏｉｓｅ，ｔｈｅ ｎｅｕｒｏｎａｌ ｍｏｄｅｌ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｂｕｉｌｄ ｎｅｕｒｏｎａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ａｃｔｉｖｉｔｉｅｓ ｏｆ ｓｙｎｃｈｒｏｎｉｚｅｄ ｆｉｒｉｎｇ ａｎｄ ｃｈａｒａｃ－ ｔｅｒｉｓｔｉｃｓ ｏｆ ａｎｔｉ－ｉｎｆｅｒｅｎｃｅ ｗｅｒｅ ａｎａｌｙｚｅｄ．Ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ａｎｄ ａｂｉｌｉｔｙ ｏｆ ａｎｔｉ－ｉｎｔｅｒｆｅｒｅｎｃｅ ｗｅｒｅ ｑｕａｎｔｉｆｉｅｄ ａｎｄ ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅｍ ｗａｓ ｄｉｓｃｕｓｓｅｄ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｃａｌｅｓ ｏｆ ｎｅｕｒｏｎａｌ ｎｅｔｗｏｒｋ ａｎｄ ｓｔｒｅｎｇｔｈ ｏｆ ｃｏｕｐｌｉｎｇ ｈａｖｅ ｒｅｍａｒｋａｂｌｅ ｅｆｆｅｃｔｓ ｂｏｔｈ ｏｎ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ａｎｄ ａｎｔｉ－ｉｎｔｅｒ－ ｆｅｒｅｎｃｅ；ｕｎｄｅｒ ｓｏｍｅ ｃｏｎｄｉｔｉｏｎｓ，ｔｈｅ ａｂｉｌｉｔｙ ｏｆ ａｎｔｉ－ｉｎｆｅｒｅｎｃｅ ｉｓ ａｌｍｏｓｔ ｌｉｎｅａｒ ｗｉｔｈ ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｎｅｕｒｏｎａｌ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ．Ｔｈｅｒｅｆｏｒｅ，ｉｔ ｉｓ ｃｏｎｃｌｕｄｅｄ ｔｈａｔ ｎｅｕｒｏｎａｌ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ｃａｎ ｒｅｄｕｃｅ ｎｏｉｓｅ ａｎｄ ｅｘｅｃｕｔｅ ｒｅｌｉａｂｌｅ ｉｎｆｏｒｍａｔｉｏｎ ｃｏｄｉｎｇ ａｎｄ ｐｒｏｃｅｓｓｉｎｇ ｉｎ ｔｈｅ ｂｒａｉｎ． Ｋｅｙ ｗｏｒｄｓ：ｎｅｕｒｏｎａｌ ｎｅｔｗｏｒｋ；ｎｏｉｓｅ；ｓｙｎｃｈｒｏｎｉｚｅｄ ｆｉｒｉｎｇ；ａｎｔｉ－ｉｎｆｅｒｅｎｃｅ；ｓｍａｌｌ－ｗｏｒｌｄ ｎｅｔｗｏｒｋ
同 步 现 象 普 遍 存 在 于 神 经 系 统 的 各 个 层 次 ， ［１］ 对脑区间的通 信［２］、时 间 绑 定 以 ［３］ 及 选 择 注 意 等 ［４］
功 能 有 重 要 影 响 ．神 经 信 息 处 理 会 受 到 各 种 干 扰 ，如
离子通道的随机打 开、神 经 递 质 释 放 量 的 波 动 等 内 部噪声［５－６］，以及 电 磁 辐 射 等 外 部 干 扰［７］．由 此 产 生 了在干扰 环 境 下 神 经 系 统 如 何 实 现 信 息 可 靠 地 编
Ａｎｔｉ－Ｉｎｔｅｒｆｅｒｅｎｃｅ ｏｆ Ｎｅｕｒｏｎａｌ Ｎｅｔｗｏｒｋ Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ
ＣＨＡＮＧ Ｘｉａｏ－ｌｏｎｇａ， ＤＩＮＧ Ｇｕｏ－ｌｉａｎｇｂ， ＬＯＵ Ｊｉａｎ－ａｎｃ （ａ．Ｎａｔｉｏｎａｌ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｓｔｒｏｎｇ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｅｎｖｉｒｏｍｅｎｔ Ｓｉｍｕｌａｔｉｏｎ ａｎｄ Ｐｒｏｔｅｃｔｉｏｎ； ｂ．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ；ｃ．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｖｅｈｉｃｌｅ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，
收 稿 日 期 ：２０１３－１２－１６ 基 金 项 目 ：国 家 自 然 科 学 基 金 （５１２０７１６７）资 助 项 目 作 者 简 介 ：常 小 龙 （１９８６－），男 ，河 南 省 周 口 市 人 ，博 士 生 ，主 要 从 事 非 线 性 神 经 信 息 处 理 研 究 ．Ｅ－ｍａｉｌ：ｌｏｎｇｓｍａｌｌｄｒａｇｏｎ＠１６３．ｃｏｍ．
（军 械 工 程 学 院 ａ．强 电 磁 场 环 境 模 拟 与 防 护 技 术 国 家 重 点 实 验 室 ；ｂ．信 息 工 程 系 ； ｃ．车辆与电气工程系，石家庄 ０５０００３）
摘 要：为了揭示神经元网络在噪声环 境 下 实 现 可 靠 信 息 处 理 的 内 在 机 制，利 用 神 经 元 模 型 对 噪 声环境下神经元网络同步放电的抗扰特性进行数值计算和分析 ．给 出 了 定 量 描 述 神 经 元 网 络 放 电 同 步 程 度 和 抗 扰 特 性 的 评 价 指 标 ，并 研 究 了 放 电 同 步 程 度 和 抗 扰 特 性 间 的 内 在 联 系 ．数 值 仿 真 结 果 表明，神经元数目和耦合强度对网络的同步和抗扰特性影响 较 大；在 一 定 范 围 内，神 经 元 放 电 同 步 程 度 与 抗 扰 特 性 强 弱 间 具 有 近 似 线 性 的 内 在 联 系 ．因 此 ，神 经 元 网 络 可 以 利 用 同 步 放 电 机 制 抑 制 噪 声 干 扰 ，执 行 可 靠 的 信 息 编 码 与 处 理 ． 关 键 词 ：神 经 元 网 络 ；噪 声 ；同 步 放 电 ；抗 干 扰 ；小 世 界 网 络 中 图 分 类 号 ：ＴＰ ８０２；Ｏ ３２２；Ｑ １８９ 文 献 标 志 码 ：Ａ
２（ ∑ ） ｘｉ －ｘｊ
Ｄａｖｅ ＝
ｉ＜ｊ，ｉ，ｊ∈Ｎ
Ｎ （Ｎ －１）
（４）
Ｄａｖｅ越 小 ，说 明 神 经 元 网 络 放 电 同 步 程 度 越 高 ．
３．２ 神 经 元 网 络 抗 扰 特 性 的 评 价 指 标
本文 借 鉴 相 关 性 分 析 的 方 法，通 过 计 算 无 噪 干
（ａ）无噪声 ＦＨＮ 神经元
神经信息通常由一定数目神经元构成的群体进
行 编 码 ．神 经 元 之 间 的 连 接 非 常 复 杂 ，既 包 含 了 规 则 的连接又 具 有 小 世 界 属 性．ＦＨＮ 模 型 是 Ｈｏｄｇｋｉｎ－ Ｈｕｘｌｅｙ（ＨＨ）的简化模型［１９］，它大 大 降 低 了 ＨＨ 模 型的维数．由 ＦＨＮ 构成的神经元网络模型为：
第４８卷 第１０期 ２０１４ 年 １０ 月
上海交通大学学报
ＪＯＵＲＮＡＬ ＯＦ ＳＨＡＮＧＨＡＩ ＪＩＡＯ ＴＯＮＧ ＵＮＩＶＥＲＳＩＴＹ
文 章 编 号 ：１００６－２４６７（２０１４）１０－１４８５－０６
神经元网络同步放电的抗扰特性
Ｖｏｌ．４８ Ｎｏ．１０ Ｏｃｔ．２０１４
常 小 龙ａ， 丁 国 良ｂ， 娄 建 安ｃ