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。（

介绍并记录了基于 MATLAB 的交互式生物神经元电生理行为演示模拟。 介绍和简要讨论了描述生物物理模型神经元中膜电压随时间变化的微分方程，以及演示中使用的默认数值参数。 提供了一些参考文献和文​​献的基本指针，目的是为感兴趣的用户提供进一步的阅读材料。 该项目是为邀请演讲的多媒体演示而开发的，在目前的公开版本中，它旨在作为教育目的的工具。 由于包含相关源代码并进行了完整注释，因此该软件也可以方便地用作开发示例，以探索 MATLAB 数据可视化、图形用户界面 (GUI) 和 MEX 界面的许多优点。

计算神经科学：在宾夕法尼亚大学教授的关于计算和理论神经科学的短期本科课程。 介绍MATLAB中的编程，单神经元模型，离子通道模型，基本神经网络和神经解码的编程

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

人工神经元网络及其原理 专业书 本书以通俗易懂的方式讲述了人工神经元网络的基本原理、设计和计算机方法。全书共分十二章。第一章介绍了工人神经元网络的发展历史和它的主要特点，第二章和第三章介绍了生物神经元网络和人工神经元网络的基本原理，第四章至第十章讲述了几种主要的人工神经元网络的原理和具体计算方法，第十章介绍了人工神经元网络在自动控制系统中的应用，第十章介绍了人工神经元网络在自动控制系统中的应用

LIF脉冲神经元的Matlab实现代码。

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的欧拉方法代码神经复合体 （课程于2019年Spring举行） 本课程旨在了解通过计算机模拟的不同数值模型在大脑神经元之间传递信号的过程，从而导致决策，记忆和学习。 用MATLAB编写的代码。 练习： 单神经元模型 PS4：使用欧拉方法对积分和发射模型进行编码，以近似估算不同的电流I。 神经网络 PS5：对环形网络的活动进行编码（具有连接），该网络提供正反馈以关闭神经元，而负反馈则向较远的神经元提供反馈。 然后提供一个输入，该输入也取决于每个神经元的方向。 最后，测试有无连接时输入方向的变化如何影响神经元活动。 PS6（提供的大量代码）：模拟神经网络中神经元的活动，其激发速率具有不同的均值和标准差。 突触重量和神经元数量之间的关系是从理想行为的平均值（低）和SD（高）得出的。 学习与记忆 PS7（a）：Bienenstock-Cooper-Munro（BCM）学习规则的实现，给定在每次模拟开始时随机选择的两种输入模式。 PS7（b）：在两个神经元之间执行尖峰时序相关可塑性（STDP），其中重量变化取决于与突触前神经元尖峰的时间差。 PS8：实现感知器以根据体重变化学习模式。

神经元 这是用于神经元模型的简单仿真工具。 当前，它支持SRM峰值模型和STDP学习模型。 您可以在上找到所有内容。

基于PID神经元网络的智能车控制系统研究.pdf