计算物理 ›› 2023, Vol. 40 ›› Issue (3): 389-400.DOI: 10.19596/j.cnki.1001-246x.8567
• • 上一篇
收稿日期:
2022-05-23
出版日期:
2023-05-25
发布日期:
2023-07-22
通讯作者:
韦笃取
作者简介:
刘丽君(1997—), 硕士, 研究生, 研究方向为忆阻神经网络动力学行为分析与控制
基金资助:
Received:
2022-05-23
Online:
2023-05-25
Published:
2023-07-22
Contact:
Duqu WEI
摘要:
研究电突触、化学突触以及两者共存对忆阻Rulkov神经模型集体动力学行为的影响。对于两个忆阻Rulkov神经元系统, 各种耦合方式都能使系统实现同步。对于不同的耦合强度, 神经元呈现不同的放电模式, 如方波, 三角波, 脉冲放电等。当电突触、化学突触同时存在时, 系统的同步更依赖于电耦合强度。对全局耦合忆阻Rulkov神经网络同步的研究表明: 化学突触单独作用时, 同步发生在耦合参数的某个区域范围, 当化学耦合强度超过某一阈值时, 同步会随着耦合强度的增加而被破坏。电突触单独作用时, 系统很快到达同步状态, 并且电耦合强度是决定神经元处于静止还是峰放电的关键因素, 随着电耦合强度增加, 神经元放电频率、振幅增大。当电、化学耦合同时存在时, 耦合强度的增加使神经元由静息转变为圆弧放电, 并进入同步状态。本文提供了一种通过调整耦合方式和耦合强度, 控制神经网络放电模式及其同步的可能方法。
刘丽君, 韦笃取. 忆阻Rulkov神经网络同步研究[J]. 计算物理, 2023, 40(3): 389-400.
Lijun LIU, Duqu WEI. Synchronization of Memristive Rulkov Neural Networks[J]. Chinese Journal of Computational Physics, 2023, 40(3): 389-400.
图2 神经元分岔图 (a) 原始Rulkov, (b) 忆阻Rulkov (R1=0.8,R2=0.001,k=1,q0=0.1)
Fig.2 Bifurcation of neuron (a) original Rulkov model, (b) memristive Rulkov model (R1=0.8, R2=0.001, k=1, q0=0.1)
图3 不同gc值下,两个忆阻Rulkov神经元的波形 (a) gc= 0.1, (b) gc=0.29, (c) gc=0.31, (d) gc=0.38
Fig.3 Waveforms of two memristive Rulkov neurons at (a) gc=0.1, (b) gc=0.29, (c) gc=0.31, (d) gc=0.38
图5 不同ge值下,两个忆阻Rulkov神经元的波形 (a) ge=0.15, (b) ge=0.35, (c) ge=0.5, (d) ge= 1
Fig.5 Waveforms of two memristive Rulkov neurons at (a) ge= 0.15, (b) ge=0.35, (c) ge=0.5, (d) ge=1
图9 不同gc值下,网络的空间模式,ge= 0.001 (a) gc= 0.001, (b) gc = 0.16, (c) gc= 0.3, (d) gc= 0.4
Fig.9 Developed spatial patterns of network at different gc with ge= 0.001 (a) gc= 0.001, (b) gc = 0.16, (c) gc = 0.3, (d) gc = 0.4
图10 固定gc= 0.001,化学突触全局耦合的忆阻Rulkov模型的同步误差
Fig.10 Synchronization error of memristive Rulkov models for global coupling of chemical synapses with gc=0.001
图12 不同ge值下,网络的空间模式(gc= 0.001) (a) ge= 0.08, (b) ge= 0.15, (c) ge= 0.3, (d) ge= 0.7
Fig.12 Developed spatial patterns of network at different ge with gc= 0.001 (a) ge= 0.08, (b) ge= 0.15, (c) ge=0.3, (d) ge= 0.7
图13 固定ge= 0.001,电突触全局耦合的忆阻Rulkov模型的同步误差
Fig.13 Synchronization error of memristive Rulkov models for global coupling of chemical synapses with ge= 0.001
图14 不同ge、 gc值下,神经元(i = 10、30、50、70、90)的波形 (a) ge= 0.02、gc= 0.01,(b) ge= 0.1、gc= 0.075,(c) ge= 0.12、gc= 0.062,(d) ge= 0.15、gc= 0.05
Fig.14 The waveforms of neurons (i = 10, 30, 50, 70, 90) for different ge and gc (a) ge= 0.02、gc= 0.01, (b) ge= 0.1、gc= 0.075, (c) ge= 0.12、gc= 0.062, (d) ge= 0.15、gc= 0.05
图15 不同ge、gc值下,网络的空间模式 (a) ge= 0.02、gc= 0.01,(b) ge= 0.1、gc= 0.075,(c) ge= 0.12、gc= 0.062,(d) ge= 0.15、gc= 0.05
Fig.15 Developed spatial patterns of network for different ge and gc (a) ge= 0.02、gc= 0.01, (b) ge= 0.1、gc= 0.075, (c) ge= 0.12、gc= 0.062, (d) ge= 0.15、gc= 0.05
图16 电突触和化学突触共存全局耦合忆阻Rulkov模型的同步误差
Fig.16 Synchronization error of globally coupled memristive Rulkov models co-existing electrical and chemical synapses
1 |
DOI |
2 |
DOI |
3 |
|
4 |
|
5 |
|
6 |
DOI |
7 |
DOI |
8 |
DOI |
9 |
DOI |
10 |
SINGER W. Time as coding space in neocortical processing: A hypothesis[M]. Temporal Coding in the Brain, 1994: 51-79.
|
11 |
DOI |
12 |
DOI |
13 |
DOI |
14 |
DOI |
15 |
DOI |
16 |
DOI |
17 |
DOI |
18 |
DOI |
19 |
DOI |
20 |
DOI |
21 |
|
22 |
DOI |
23 |
DOI |
24 |
DOI |
25 |
DOI |
26 |
DOI |
27 |
DOI |
28 |
DOI |
29 |
DOI |
30 |
|
31 |
DOI |
32 |
DOI |
33 |
DOI |
34 |
DOI |
35 |
DOI |
36 |
DOI |
37 |
DOI |
38 |
DOI |
39 |
DOI |
40 |
DOI |
41 |
|
42 |
DOI |
43 |
|
44 |
|
45 |
DOI |
46 |
DOI |
[1] | 陆丽梅, 韦笃取. 电磁场耦合忆阻Izhikevich神经网络电活动研究[J]. 计算物理, 2023, 40(4): 490-499. |
[2] | 梁炜光, 桑建兵, 田红艳, 段文杰, 陶雅萍, 李烽韬. 基于数据驱动管道流体湍流模型的系数修正及流动特性分析[J]. 计算物理, 2023, 40(1): 57-66. |
[3] | 孙亮, 罗佳, 乔印虎. 忆阻Hopfield神经网络的初值位移调控动力学及其图像加密应用[J]. 计算物理, 2023, 40(1): 106-116. |
[4] | 吴国正, 王发杰, 程隋福, 张成鑫. 基于物理信息神经网络的内部声场正反问题数值计算[J]. 计算物理, 2022, 39(6): 687-698. |
[5] | 肖聪, 张士诚, 马新仿, 周彤, 侯腾飞. 基于模型降维和递归神经网络的油藏参数反演[J]. 计算物理, 2022, 39(5): 564-578. |
[6] | 唐利红, 贺宗梅, 姚延立. 具有隐藏超级多稳定性的磁感应HR神经元及其电路实现[J]. 计算物理, 2022, 39(5): 589-597. |
[7] | 黄灿, 田冷, 王恒力, 王嘉新, 蒋丽丽. 基于条件生成式对抗网络的油藏单井产量预测模型[J]. 计算物理, 2022, 39(4): 465-478. |
[8] | 潘剑, 郭照立, 陈松泽. 从噪声数据学习偏微分方程的复合神经网络[J]. 计算物理, 2022, 39(2): 223-232. |
[9] | 唐利红, 贺宗梅, 姚延立. 忆阻Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(2): 244-252. |
[10] | 李洪, 章立新, 任燕, 高明, 刘婧楠. 基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测[J]. 计算物理, 2022, 39(1): 53-59. |
[11] | 罗佳, 孙亮, 乔印虎. 忆阻突触耦合环形Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(1): 109-117. |
[12] | 郑书昱, 彭佳臻, 张先梅, 薛二兵, 虞立敏. 基于神经网络的托卡马克能量约束时间预测[J]. 计算物理, 2021, 38(4): 423-430. |
[13] | 周倩, 韦笃取. 场耦合忆阻神经网络的电活动[J]. 计算物理, 2020, 37(6): 750-756. |
[14] | 卢新瑞, 黄捍东, 李帅, 尹龙. 基于U-Net的盐体识别方法[J]. 计算物理, 2020, 37(3): 327-334. |
[15] | 周于皓, 刘慧卿, 祁鹏, 赵萌, 陈宇. 基于循环神经网络的缝洞型油藏油井产量预测[J]. 计算物理, 2018, 35(6): 668-674. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||
版权所有 © 《计算物理》编辑部
地址:北京市海淀区丰豪东路2号 邮编:100094 E-mail:jswl@iapcm.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发