Brian2学习教程——Intro to Brian part 3: Simulations

英文原文：brian2官方tutorials

中文翻译：【Brian2学习教程之三】Introduction to Brian part 3: Simulations

本文首先对仿真中涉及到的神经元模型进行介绍，并对最后一个例程的实现机制进行分析。

目录

脉冲神经元模型

Hodgkin-Huxley模型

积分点火模型（Integrate and Fire, IF)

基于脉冲神经网络的图像处理

---

• 脉冲神经元模型

Hodgkin-Huxley模型

积分点火模型（Integrate and Fire, IF)

总结： HH是基于电导的模型，对神经元的脉冲发放过程模拟细腻，但是过多的参数导致其在学习过程中计算复杂，模型效率低。

IF模型属于阈值点火模型，是最早的脉冲神经元模型，相比电导模型简化了很多，被广泛地应用在工程领域。

还有一种经典的脉冲神经元模型——脉冲响应模型（Spike Response Model），是IF模型的推广。

更详细的介绍可参考文献：脉冲神经网络：模型、学习算法与应用-程龙

脉冲神经网络学习算法的研究及其应用-胡志根

基于脉冲神经网络的图像处理

在教程中的最后一个部分，通过输入一张显示字体‘Brian'的图像，经过脉冲神经网络后得到的输出仍然显示了字体’Brian'。

from brian2 import *
start_scope()
from matplotlib.image import imread

img = (1-imread('brian.png'))[::-1, :, 0].T   # 需要将图像文件添加在同一个文件夹
num_samples, N = img.shape  # 分别保存图像的宽和高（本地图像大小为407*256）

ta = TimedArray(img, dt=1*ms) # 228
A = 1.5
tau = 2*ms

eqs = '''
dv/dt = (A*ta(t, i)-v)/tau : 1   # 原代码中加入了噪声：0.8*xi*tau**-0.5
'''   
G = NeuronGroup(N, eqs, threshold='v>1', reset='v=0', method='euler')   
# 神经网络包含256个神经元
M = SpikeMonitor(G)
run(num_samples*ms)  
# 运行407次，每个时刻使得对应位置的神经元点火，最后组成一幅图像。

plot(M.t/ms, M.i, '.k', ms=3)
xlim(0, num_samples)
ylim(0, N)
xlabel('Time (ms)')
ylabel('Neuron index');

图像文件是从原文中截图保存下来的，并去掉了内部电压附加的噪声，原图如图1。

(407x256)

神经网络输出效果如图2。

将运行时间缩减一半：run(int（num_samples/2）*ms)，会得到半幅图像，如图3。