本發(fā)明涉及神經(jīng)科學(xué)和智能優(yōu)化領(lǐng)域，具體地說是一種隨機IF神經(jīng)元系統(tǒng)的動作電位時間控制方法。

背景技術(shù)：

積分發(fā)放模型(簡稱IF模型)是研究神經(jīng)元膜電位演化常用的一種簡化模型，包括了噪聲、外部信號以及當(dāng)膜電位在閾值下變化時，由于神經(jīng)元的抑制作用，膜電位受到刺激的同時向靜息電位的衰減，以及其對閾值的漂移。神經(jīng)元的脈沖放電在神經(jīng)系統(tǒng)信息傳遞中起著重要的作用。近10多年來，學(xué)者們普遍認為神經(jīng)放電時間編碼了感覺刺激，動作電位時間比動作電位發(fā)放數(shù)率作為感覺刺激編碼參數(shù)更具有高穩(wěn)定性和準確性。因此，在隨機噪聲下研究IF神經(jīng)元系統(tǒng)的動作電位放電時間具有重要意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于綜合應(yīng)用隨機IF神經(jīng)元系統(tǒng)和文化基因優(yōu)化算法推斷控制序列和動作電位放電時間之間的相互關(guān)系，提出一種隨機IF神經(jīng)元系統(tǒng)的動作電位時間控制方法，尋優(yōu)過程中以動作電位放電時間誤差為優(yōu)化算法的評價函數(shù)，充分利用基于種群的全局搜索和基于個體的局部啟發(fā)式搜索，通過優(yōu)化種群分布，及早剔除不良個體，加快算法的求解速度，在保證較高收斂性能的基礎(chǔ)上，提高全局搜索能力，獲得高質(zhì)量的解，以推測出與最佳控制序列。

一個隨機IF神經(jīng)元系統(tǒng)可以描述如下：

$\mathrm{\τ}\frac{\mathrm{dV}\left(t\right)}{\mathrm{dt}}=E_L-V\left(t\right)+\mathrm{RI}\left(t\right)+\mathrm{\ξ}\left(t\right)$

式中，V表示神經(jīng)元膜電位，τ是時間常數(shù)，R輸入阻抗，E_L為漏電導(dǎo)平衡電位，噪聲項ξ(t)表示均值為0，強度為σ的一個高斯白噪聲。在刺激電流I(t)作用下，當(dāng)膜電位V超過閾值V_th時，神經(jīng)元會產(chǎn)生一個峰放電，同時V復(fù)位至靜息電位V_r。為了控制電位放電時間，設(shè)計時間窗t＝(1，2，…，t_f)上神經(jīng)元的輸入刺激序列(即控制序列)，將期望電位放電時間與施加控制序列后達到的電位放電時間的誤差絕對值作為適應(yīng)度函數(shù)，即

E＝|t_p-t^*|

其中，t^*、t_p分別表示期望電位放電時間、預(yù)測電位放電時間。當(dāng)E＝0時，說明所設(shè)計的控制序列可實現(xiàn)動作電位放電時間與期望動作電位放電時間一致。

本發(fā)明采用的技術(shù)方案包含如下步驟：

步驟1：設(shè)定期望動作電位放電時間t^*，確定搜索種群規(guī)模M，控制序列 解空間維數(shù)大小D，雜交概率p_c，變異概率p_v，隨機產(chǎn)生M個初始個體，進化代數(shù)變量k＝1，最大進化代數(shù)K_max。

步驟2：產(chǎn)生初始群體。根據(jù)控制輸入范圍按均勻分布隨機產(chǎn)生t_f個離散時間控制序列I(t)，t＝(1，2，…，t_f)。

步驟3：編碼。根據(jù)控制序列的解空間，將可行解數(shù)據(jù)表示成搜索空間的浮點型串結(jié)構(gòu)數(shù)據(jù)，這些串結(jié)構(gòu)數(shù)據(jù)不同組合構(gòu)成不同可行解。

步驟4：交叉。按照雜交概率p_c在M個個體中任意選取兩個進行雜交運算，產(chǎn)生新一代群體的兩個新個體。

步驟5：變異。在雜交運算雜生的新群體中，按照變異概率p_v從中選取若干個體，進行變異操作，更新控制序列。

步驟6：將控制序列作用到隨機IF神經(jīng)元系統(tǒng)中，獲得神經(jīng)元電位的離散序列，并獲得首次動作電位放電時間t_p。

步驟7：計算適應(yīng)度函數(shù)。根據(jù)電位放電時間誤差分別計算每個個體的適應(yīng)度函數(shù)，其公式為：

E＝|t_p-t^*|

步驟8：選擇。從當(dāng)前群體中選擇M個優(yōu)良(適應(yīng)度高)的個體，選擇概率與其適應(yīng)度成正比，舍棄適應(yīng)度低的個體。

步驟9：局部搜索。對種群中的所有個體采用擬牛頓法進行局部搜索。

步驟10：如果滿足停止條件或達到最大迭代次數(shù)(k＝K_max)，則尋優(yōu)結(jié)束，所得到的全局最優(yōu)值，即為最佳控制序列；否則，k：＝k+1，轉(zhuǎn)步驟4。

本發(fā)明與已有粒子群優(yōu)化算法相比具有以下優(yōu)點：本發(fā)明隨機IF神經(jīng)元系統(tǒng)的動作電位時間控制方法結(jié)合了群體算法搜索的廣度優(yōu)點和局部搜索算法的深度優(yōu)點，以動作電位放電時間誤差為適應(yīng)度函數(shù)，通過個體間的交叉和變異增加了粒子的多樣性，利用個體的擇優(yōu)選取和局部搜索來提高優(yōu)化搜索效率，綜合考慮計算復(fù)雜度、高效搜索能力、全局性等方面性能，以獲得最佳控制序列。

附圖說明

圖1是基于本發(fā)明方案的動作電位時間控制方法流程圖。

圖2是基于本發(fā)明方案的實施例最優(yōu)控制序列。

圖3是基于本發(fā)明方案的實施例電位響應(yīng)曲線結(jié)果。

具體實施方式

為了更好地理解本發(fā)明的技術(shù)方案，以下對實施方式作進一步的詳細描述，并結(jié)合一個應(yīng)用實例來說明具體實施方式，但不限于此。

實施例：考慮隨機IF神經(jīng)元系統(tǒng)：式中，時間常數(shù)為τ＝5，輸入阻抗為R＝1，膜電位閾值為V_th＝-50，靜息電位為V_r＝-55，漏電導(dǎo)平衡電位為E_L＝-65，噪聲項ξ(t)表示均值為0，強度為σ＝0.5的一個高斯白噪聲，輸入刺激電流I(t)范圍為[15，30]。利用隨機歐拉方法對該神經(jīng)元系統(tǒng)進行離散化，迭代步長為dt＝0.01。

本發(fā)明方法工作流程如圖1所示，具體實施方式可以分為以下幾步：

(1)設(shè)定期望動作電位放電時間t^*＝4，從而確定控制序列解空間維數(shù)大小D＝400，搜索種群規(guī)模M＝10，取雜交概率p_c＝0.95，變異概率p_v＝0.1，隨機產(chǎn)生M個初始個體，確定進化代數(shù)變量k＝1，最大進化代數(shù)K_max＝15

(2)產(chǎn)生初始群體。根據(jù)控制輸入范圍[15，30]按均勻分布隨機產(chǎn)生t_f＝D個離散時間控制序列I(t)，t＝(1，2，…，t_f)。

(3)編碼。根據(jù)控制序列的解空間，將可行解數(shù)據(jù)表示成搜索空間的浮點型串結(jié)構(gòu)數(shù)據(jù)，這些串結(jié)構(gòu)數(shù)據(jù)不同組合構(gòu)成不同可行解。

(4)交叉。按照雜交概率p_c在M個個體中任意選取兩個進行雜交運算，產(chǎn)生新一代群體的兩個新個體。

(5)變異。在雜交運算雜生的新群體中，按照變異概率p_v從中選取若干個體，進行變異操作，更新控制序列。

(6)將控制序列作用到隨機IF神經(jīng)元系統(tǒng)中，獲得神經(jīng)元電位的離散序列，并獲得首次動作電位放電時間t_p。

(7)計算適應(yīng)度函數(shù)。根據(jù)動作電位放電時間誤差分別計算每個個體的適應(yīng)度函數(shù)，其公式為：

E＝|t_p-t^*|

(8)選擇。從當(dāng)前群體中選擇M個優(yōu)良(適應(yīng)度高)的個體，選擇概率與其適應(yīng)度成正比，舍棄適應(yīng)度低的個體。

(9)局部搜索。對種群中的所有個體采用擬牛頓法進行局部搜索。

(10)如果滿足停止條件或達到最大迭代次數(shù)(k＝K_max)，則尋優(yōu)結(jié)束，所得到的全局最優(yōu)值，即為最佳控制序列；否則，k：＝k+1，轉(zhuǎn)(4)。

圖2顯示了基于本發(fā)明方案的最優(yōu)控制序列。在該最優(yōu)控制序列作用下，預(yù)測的電位放電時間為t_p＝3.04。圖3顯示了神經(jīng)元系統(tǒng)電位響應(yīng)過程曲線。由圖可見，本發(fā)明方案可以實現(xiàn)動作電位在期望放電時刻完成放電。

上面對本發(fā)明所述隨機IF神經(jīng)元系統(tǒng)的動作電位時間控制方法進行了詳細的說明，但本發(fā)明的具體實現(xiàn)形式并不局限于此。對本技術(shù)領(lǐng)域的一般技術(shù)人員來說，在不背離本發(fā)明所述方法的精神和權(quán)利要求范圍的情況下對它進行的各種顯而易見的改變都在本發(fā)明的保護范圍之內(nèi)。