nuget
STDPLayer
01 Syntax
Microsoft.VisualBasic.DeepLearning.SpikingNeuralNetwork.STDPLayer
02 Methods
| Name | Overloads | Summary |
|---|---|---|
| NormalizeWeights | 1 | 把每个输出神经元的入边权重和缩放到 NormalizeSum（列归一化）。 建议在每个模式呈现结束后调用。 |
| Reset | 1 | 清空膜电位与脉冲迹（每次模式呈现前调用）。 注意：自适应阈值 _adapt 有意跨呈现保留——它记录的是每个神经元的 "历史发放负荷"，Reset 后清零会让同一个赢家立刻重新垄断。 |
| Step | 1 | 单时间步：输入脉冲 → LIF 动态（WTA 触发）→ STDP 权重更新 → 迹更新。 |
03 Properties
| Name | Overloads | Summary |
|---|---|---|
| Weight | 1 | 突触权重 [InputSize, OutputSize]，取值 [0, WMax] |
| APlus | 1 | LTP 学习率（potentiation）。pre 脉冲数远多于 post，A₊/A₋ 需与迹量级匹配 |
| AMinus | 1 | LTD 学习率（depression） |
| TraceDecay | 1 | 脉冲迹衰减系数 = exp(−Δt/τ)，τ≈20 步 → 0.95 |
| WMax | 1 | 权重上限 |
| NormalizeSum | 1 | 突触归一化目标：每个输出神经元的入边权重总和。 STDP 的经典搭档机制——当"获胜通路"被 LTP 增强后，归一化会 自动按比例削弱同一神经元的其余连接（守恒竞争）， 从机制上保证模式特化。设为 0 表示禁用。 |
| Beta | 1 | 膜电位衰减系数 β |
| Threshold | 1 | 发放阈值基线 |
| AdaptRate | 1 | 自适应阈值（intrinsic plasticity）：每次发放后阈值抬升 AdaptRate， 并按 AdaptDecay 指数回落。发放越频繁的神经元有效阈值越高， 打破"赢家垄断"，促使输出神经元轮流接管不同输入模式 → 促进分化。 |
| AdaptDecay | 1 | 自适应阈值的每步衰减（0.99 ≈ 100 步时间尺度） |
04 Members
NormalizeWeights
把每个输出神经元的入边权重和缩放到 NormalizeSum（列归一化）。 建议在每个模式呈现结束后调用。
Reset
清空膜电位与脉冲迹（每次模式呈现前调用）。 注意：自适应阈值 _adapt 有意跨呈现保留——它记录的是每个神经元的 "历史发放负荷"，Reset 后清零会让同一个赢家立刻重新垄断。
Step(
Tensor)单时间步：输入脉冲 → LIF 动态（WTA 触发）→ STDP 权重更新 → 迹更新。
Parameters
| Name | Type | Description |
|---|---|---|
x | Tensor | 输入脉冲 [1, InputSize] |
Returns
输出脉冲 [1, OutputSize]（至多一个 1）
Weight
突触权重 [InputSize, OutputSize]，取值 [0, WMax]
APlus
LTP 学习率（potentiation）。pre 脉冲数远多于 post，A₊/A₋ 需与迹量级匹配
AMinus
LTD 学习率（depression）
TraceDecay
脉冲迹衰减系数 = exp(−Δt/τ)，τ≈20 步 → 0.95
WMax
权重上限
NormalizeSum
突触归一化目标：每个输出神经元的入边权重总和。 STDP 的经典搭档机制——当"获胜通路"被 LTP 增强后，归一化会 自动按比例削弱同一神经元的其余连接（守恒竞争）， 从机制上保证模式特化。设为 0 表示禁用。
Beta
膜电位衰减系数 β
Threshold
发放阈值基线
AdaptRate
自适应阈值（intrinsic plasticity）：每次发放后阈值抬升 AdaptRate， 并按 AdaptDecay 指数回落。发放越频繁的神经元有效阈值越高， 打破"赢家垄断"，促使输出神经元轮流接管不同输入模式 → 促进分化。
AdaptDecay
自适应阈值的每步衰减（0.99 ≈ 100 步时间尺度）