尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。

matlab终止以下代码生物医学工程 该存储库包含在2018-2019Spring在塞萨洛尼基的亚里斯多德大学电气与计算机工程学院教授的课程“生物医学技术”。 该项目是用MATLAB编写的。 该项目的目标是从EEG（脑电图）信号中进行尖峰分析和识别。 首先实现了一种尖峰识别方法。 然后进行特征提取，以便对代表特定神经元活动的峰值进行分类。 甲部 阈值方法通常用于检测经过300-3000Hz带宽滤波的细胞外记录的峰。 更具体地，使用宽度阈值，如果信号活性在附近超过阈值threshold的值，则检测该信号活性并将其记录为峰值。 问题_1_1 依次加载8个Data_Test_i.mat文件（i = 1，…，8），并为每个文件获取前10,000个样本。 然后绘制它们的图。 我们观察到，当我们继续进行下一个采样时，噪声会增加。 尖峰计数器： 阈值方法通常用于检测经过300-3000Hz带宽滤波的细胞外记录的峰。 更具体地，使用幅度阈值，检测信号活动并将其记录为尖峰，其中在附近它超过阈值

用神经网络确定权重的matlab代码功能加标RNN 概述 该存储库提供了以下框架中提供的代码： Kim R.，Li Y.和Sejnowski TJ。 构建功能性尖峰递归神经网络的简单框架。 美国国家科学院院刊。 116：22811-22820（2019）。 提供预印本。 要求 连续速率RNN 用于构建和训练连续变量速率递归神经网络（RNN）模型的代码是在Python中实现的（已在Python 3.6.9中进行了测试）。 该代码还需要TensorFlow（在TensorFlow 1.5.0和1.10.0中进行了测试）。 tesnorflow 1.5.0或1.10.0 tensorflow-gpu 1.5.0或1.10.0（如果有GPU卡，则可以加快大型模型的培训时间） numpy的1.16.4 scipy 1.3.1 加标RNN 用于构建尖峰RNN模型的代码是在MATLAB中实现的（已在R2016a和R2016b中进行了测试）。 该代码实现了泄漏的集成解雇（LIF）网络，并且是由所开发的代码的修改版本。 用法 首先对速率RNN模型进行训练，然后将训练后的模型映射到LIF尖峰RNN。 用于

行业-电子政务-功率二极管短时续流反向恢复尖峰电压建模方法.zip

matlab小波基函数代码过完备字典 信号通常表示为基函数的线性组合（如傅立叶、余弦或小波表示）。 基函数总是与它们所代表的（离散）信号具有相同的维度。 传统上，基函数的数量与其表示的信号的维数相同。 信号的更一般表示使用所谓的“过度完备字典”，其中基函数的数量大于信号的维数。 对于完整的碱基，信号的表示总是唯一的。 这种唯一性在过度完备的基础上丢失了。 由于一个信号可以在过度完备的基础上有许多表示，我们选择最稀疏的一个过完备基在信号表示中提供了更大的紧凑性。 余弦 + 尖峰 如果信号是余弦函数的线性组合，则可以使用离散余弦变换 (DCT) 对其进行稀疏表示。 如果信号是尖峰函数的线性组合，那么它在时域中是稀疏表示的（身份变换）。 但是，如果有一个信号是余弦函数和尖峰函数的线性组合，则不能在任一基（DCT 或 Identity）中稀疏表示。 如果我们创建一个基 ( A ) 作为 DCT 和 Identity 的并集，那么信号可以稀疏地表示，因为余弦分量可以由 DCT 基稀疏表示，尖峰可以由 Identity 基稀疏表示。 在基A 中寻找信号的最稀疏表示是一个 NP-hard 问题，因此

RCD尖峰脉冲吸收电路参数计算举例（陶显芳）.docdoc,RCD尖峰脉冲吸收电路参数计算举例（陶显芳）.doc

matlab精度检验代码自述文件 该存储库列出了用于开发尖峰神经网络的文件，这些文件用于基于MNIST数据集的手写数字分类的基于监督学习的应用程序。 以类似于随机梯度下降的方式训练网络，其中权重在图像的每次显示结束时更新。 SNN中使用的神经元是简单的泄漏积分并触发神经元。 本文描述了NormAD的监督SNN训练算法：N. Anwani和B. Rajendran，“ NormAD-基于尖峰神经元的标准化近似后裔监督学习规则”，2015年国际神经网络联合会议（IJCNN），基拉尼，2015年，第1-8页。 本文描述了使用NormAD算法的三层SNN的CUDA实现。 如果您在工作中使用我们的代码，请引用以下内容。 SR Kulkarni，JM Alexiades和B. Rajendran，“具有尖峰神经网络的手写数字的学习和实时分类”，2017年第24届IEEE电子，电路和系统国际会议（ICECS），巴统，2017年，第128页。 -131。 doi：10.1109 / ICECS.2017.8292015 URL： Arxiv链接位于：SR Kulkarni，J。Alexiades和B.

通过混合转换和依赖于峰值时序的反向传播来启用深度峰值神经网络 这是与在发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法 培训分以下两个步骤进行： 训练ANN（'ann.py'） 将ANN转换为SNN并执行基于尖峰的反向传播（'snn.py'） 档案文件 'ann.py'：训练一个ANN，可以提供输入参数来提供建筑设计，数据集，训练设置 'snn.py'：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 / self_models：包含ANN和SNN的模型文件 'ann_script.py'和'snn_script.py'：这些脚本可用于设计各种实验，它创建可用于运行多个模型的'script.sh' 训练有素的人工神经网络模型 训练有素的SNN模型 问题 有时，“ STDB”的激活在训练过程中会变得不稳定，从而

笑猫爱好者 python/flask/mongodb/bootstrap/angular|react/heroku

用于开发神经尖峰分类系统的模拟前端的行为模型。 模拟前端处理对后续尖峰处理（检测和尖峰分选）的影响可以通过提供的图形用户界面进行测试。 有关更多详细信息，请参阅 README.txt。