尖峰神经元网络中神经元内关联度的效应
摘要：神经元间入度和出度之间的相关性对神经网络的动力学有着重要影响。通过使用θ神经元，我们可以得到具有相同入度的神经元的预期动力学的耦合微分方程组。我们使用高斯copula来引入神经元入度和出度之间的相关性，并使用数值分岔分析来确定这些相关性对网络动力学的影响。对于兴奋性耦合，我们发现引入正相关性与增加神经元之间的耦合强度具有类似的效果，而对于抑制性耦合则产生相反的效果。我们还确定了各种二个和三个神经元模型在相关性变化时发生的倾向，并对观察到的动力学变化给出了合理的解释。
作者：Carlo R. Laing and Christian Blasche
论文ID：2004.00240
分类：Adaptation and Self-Organizing Systems
分类简称：nlin.AO
提交时间：2020-04-02