PSTH 计算神经尖峰时间的刺激周围时间直方图。 该例程将试验平均尖峰率绘制为时间的函数。 R = PSTH（时间，BINSIZE，FS，NTRIALS，TRIALLEN） R = PSTH（时间，BINSIZE，FS，NTRIALS，TRIALLEN，AXEHANDLE） TIMES - 尖峰时间（样本） BINSIZE - binwidth (ms) FS——采样率（赫兹） NTRIALS - 试验次数TRIALLEN - 试验时长（样本） R - 尖峰率（尖峰/秒） 可以处理大型数据集并使用 Matlab 的内置 histc 函数来优化性能。 一个例子： %spike 时间可以指定为连续时间%这里我们有 3 次试验和 1000 个样本的试验长度t = [10, 250, 900, 1300, 1600, 2405, 2900]; %每个试验也可以指定相同的尖峰时间t2 =[10,

一个Python软件包，用于使用PyTorch GPU功能的模拟尖峰神经网络（SNN） 一个 Python 包，用于使用 PyTorch Tensor 功能在 CPU 或 GPU 上模拟尖峰神经网络 (SNN)。 BindsNET 是一个脉冲神经网络模拟库，旨在开发用于机器学习的生物启发算法。 该软件包用作在生物启发神经和动力系统 (BINDS) 实验室中将 SNN 应用于机器学习 (ML) 和强化学习 (RL) 问题的持续研究的一部分。 查看 BindsNET 示例，了解一系列实验、结果分析函数、实验结果图等。 可以在此处找到该软件包的文档。 要求 Python 3.6 requirements.txt 设置使用 pip BindsNET 可通过其 git 存储库获得。 发出 pip install git+https://github.com/BindsNET/bindsnet.git 以获得最新的稳定版本。 或者，要从源代码构建 bindsnet 包，克隆 GitHub 存储库，将目录更改为该项目的顶层，然后发出 pip install 。 或者，以可编辑模式安装

本文将会就几种常见的抑制BUCK变换器电压尖峰的方法展开总结，欢迎大家继续关注。

尖峰时间依赖性可塑性 该程序在突触后放电之前出现突触前尖峰时增强相关突触权重，并在突触后放电后出现突触前尖峰时减弱相关突触权重。 如果突触前和突触后尖峰时间之间的差异幅度很小，则突触权重修改量最大，并且随着差异变大而呈指数减小。 如果两个连接的神经元的尖峰时间差异大于 20 毫秒，则不会发生任何修改。 改变突触功效的功能基于 Song S.、Miller KD 和 Abbott LF 的生物学模型“通过尖峰时间依赖的突触可塑性进行竞争性赫布学习”，Nature Neuroscience vol. 3，没有。 9, pp. 919-926, 2000。该机制基于以下想法。 突触后放电之后的突触前动作电位不太可能完全影响突触后放电（尤其是在紧随其后的情况下），但合乎逻辑的是，突触后放电之前的突触前动作电位在导致突触后尖峰（尤其是更早一点）。 该程序不会创建或消除突触连接，它只是修改现有的突触权

快速的峰值检测功能。 它返回尖峰时间。

为了防止开关电源(开关电源是利用现代电力电子技术，控制开关管开通和关断的时间比率，维持稳定输出电压的一种电源，开关电源一般由脉冲宽度调制（PWM）控制IC和MOSFET构成)系统中的高速开关电路存在的分布电感与电容在二极管蓄积电荷的影响下产生浪涌电压与噪声。文中通过采用RC或LC吸收电路对二极管蓄积电荷产生的浪涌电压采用非晶磁芯和矩形磁芯进行磁吸收， 从而解决了开关电源浪涌电流的产生以及抑制问题。

尖峰神经网络的运动目标检测与分类

matlab精度检验代码精确点神经元网络模拟器 （注意：不适用于人工神经网络） 该程序旨在为尖峰神经元模型网络提供准确的模拟器和便携式代码框架。 还提供了一个方便的GNU Octave / Matlab与核心模拟器的接口。 通过根据（例如尖峰）事件时序打破模拟时间步长（dt）来获得精度。 这样子时间步内的动态就很平滑，并且经典的ODE解决方案（尤其是RK4）可以很好地工作。 当前的神经元模型为（括号：代码内使用的名称）： 具有指数衰减电导（LIF-G）的泄漏积分和发射模型。 具有“ alpha函数”电导（LIF-GH）的泄漏集成和发射模型。 具有指数衰减电导（HH-G）的霍奇金·赫x黎（Hodgkin Huxley）神经元模型。 具有“ alpha功能”电导（HH-GH）的霍奇金·赫x黎（Hodgkin Huxley）神经元模型。 霍奇金·赫x黎（Hodgkin Huxley）神经元模型，具有连续的（但主要在尖峰附近）突触相互作用（HH-GH-cont-syn）。 跳跃当前的神经元模型（IF跳跃）。 霍克斯模型（Hawkes-GH）。 对神经元模型的可选修改： 向这些模型添加交流电。（

matlab微分方程代码pyHH pyHH是Hodgkin-Huxley峰值神经元模型的简单Python实现。 pyHH可以模拟电导并计算离散时间点的膜电压，而无需使用微分方程求解器。 是一个用C＃编写的类似项目。 最小代码示例 在不到100行的Python（）中创建了完整的Hodgkin-Huxley峰值神经元模型和仿真。 与Internet上的其他代码示例不同，此实现是面向对象的和Pythonic的。 运行时，将产生上面的图像。 Python包 pyhh软件包包括Hodgkin-Huxley模型和其他用于组织模拟数据的工具。 模拟步骤 创建模型单元并根据需要自定义其属性 创建刺激波形（一个numpy数组） 通过给它建模您创建的波形来创建仿真 绘制刺激的各种特性 用法示例 # customize a neuron model if desired model = pyhh . HHModel () model . gNa = 100 # typically 120 model . gK = 5 # typically 36 model . EK = - 35 # typically

自动识别一段信号中的尖峰，并输出尖峰的持续时间和幅值以及位置点