浅谈脉冲神经网络
1、基本概念
脉冲神经网络（Spiking Neural Network, SNN）是第三代神经网络，最接近人脑的工作方式，和我们常用的 卷积神经网络CNN和循环神经网络RNN（第二代）有本质区别。脉冲神经网络：模仿人脑神经元不连续放电，只在电位累积到阈值时，发出一个脉冲（0/1 信号），所以平时不耗电。
脉冲神经网络就是用来类脑计算的，人脑相对GPU卡来说，具有算力高、功耗低（相当于耗电功率20W）和计算快的特点。神经元是大脑的基本功能单位，人脑中大约有860亿个神经元。突触是神经元之间的连接桥梁，人脑中的突触数量大概有100亿个。
SNN的基本计算单元是脉冲神经元，其活动以离散的脉冲形式进行。不同于传统神经元的连续激活值，脉冲神经元通过发放脉冲来传递信息，模拟生物神经元的行为。经过多年发展，已建立了多种脉冲神经元模型，如H-H模型、LIF模型、Izhikevich 模型和脉冲响应模型（SRM）等
1）脉冲神经网络三要素：
膜电位：神经元内部的电压，随输入累积
阈值：电压超过阈值，神经元发放脉冲（spike=1）
重置：发放后电压归零，等待下一次累积
2）SNN 最大特点：
事件驱动：只有发放脉冲时才计算，超低功耗
带时间信息：天然处理时序信号（语音、雷达、视觉动态）
仿生：最接近生物大脑的神经网络
2、简单举例
SNN 最常用、最简单的神经元模型LIF：Leaky Integrate-and-Fire（漏电流整合 - 发放）
规则：
1）输入电流 → 膜电位慢慢上升
2）膜电位 超过阈值 → 发出一个脉冲
3）发出脉冲后 → 膜电位重置为 0
没输入时 → 膜电位会慢慢泄漏（衰减）
实现代码如下：
import numpy as np import matplotlib.pyplot as plt # ====================== 1. 定义 LIF 神经元类 ====================== class LIFNeuron: def __init__(self, threshold=1.0, reset_potential=0.0, leak=0.1): # 神经元参数 self.threshold = threshold # 放电阈值 self.reset_potential = reset_potential # 放电后重置电位 self.leak = leak # 漏电系数（电位衰减） # 神经元状态 self.membrane_potential = 0.0 # 膜电位（初始为0） def forward(self, input_current): """ 一步更新：输入电流 → 更新膜电位 → 判断是否放电 返回：是否发放脉冲（True/False） """ # 1. 漏电：膜电位衰减 self.membrane_potential *= (1 - self.leak) # 2. 整合：加入输入电流 self.membrane_potential += input_current # 3. 判断是否放电 if self.membrane_potential >= self.threshold: # 发放脉冲 spike = 1 # 放电后重置电位 self.membrane_potential = self.reset_potential else: # 不放电 spike = 0 return spike # ====================== 2. 模拟信号与运行 ====================== if __name__ == "__main__": # 创建神经元 neuron = LIFNeuron(threshold=1.0, leak=0.1) # 模拟时间步（20步） time_steps = 20 # 输入电流：前10步给0.2，后10步给0（测试累积放电） input_currents = [0.2] * 10 + [0.0] * 10 # 记录数据 potentials = [] # 膜电位记录 spikes = [] # 脉冲记录 # 逐时间步运行 for current in input_currents: spike = neuron.forward(current) spikes.append(spike) potentials.append(neuron.membrane_potential) # ====================== 3. 绘图可视化 ====================== plt.rcParams['font.sans-serif'] = ['SimHei'] plt.figure(figsize=(10, 6)) # 子图1：输入电流 plt.subplot(3,1,1) plt.plot(input_currents, 'b-', label='输入电流') plt.ylabel('电流') plt.legend() plt.grid(True) # 子图2：膜电位 plt.subplot(3,1,2) plt.plot(potentials, 'r-', label='膜电位') plt.axhline(y=1.0, color='k', linestyle='--', label='放电阈值') plt.ylabel('电位') plt.legend() plt.grid(True) # 子图3：脉冲输出 plt.subplot(3,1,3) plt.stem(spikes, 'g-', label='输出脉冲', basefmt=" ") plt.xlabel('时间步') plt.ylabel('脉冲') plt.legend() plt.grid(True) plt.tight_layout() plt.show()该程序包含：1 个输入、1 个 LIF 神经元、模拟时间序列信号和观察神经元膜电位变化 + 脉冲发放。
，运行结果如下：
由上图可看出：
第1张图表示输入电流：前 10 步有电流，后 10 步无
第2张图表示膜电位：慢慢累积，超过阈值立刻放电并归零
第3张图表示输出脉冲：只有放电时输出 1，其余为 0
3、总结
SNN = 第三代神经网络，模仿人脑神经元放电机制。核心：膜电位累积 → 超过阈值 → 发放脉冲 → 重置。最简单模型：LIF 神经元（漏电 + 整合 + 发放），上面的代码是 SNN 最小可用实现，能直观看到脉冲生成。