CN1628322A - 使用含有受脉冲作用的神经元网络对网络通信的业务量动态特性进行分类的方法 - Google Patents

Abstract

本发明涉及使用含有受脉冲作用的神经元的网络对网络通信的业务量动态特性进行分类的方法，其中网络通信的业务量数据构成神经元网络的输入量，并且其中通过脉冲处理所获得的时间群集构成神经元网络的输出量，其中借助突触的模型实现业务量动态特性的分类，其动态特性直接取决于前后突触连接的脉冲的准确同步。

Description

使用含有受脉冲作用的神经元网络对网络通信 的业务量动态特性进行分类的方法

本发明涉及在使用含有受脉冲作用的神经元的网络对网络通信的业务量动态特性进行分类的方法，其中网络通信的业务量数据构成神经元网络的输入量，并且其中通过脉冲处理的所获得的时间群集构成神经元网络的输出量，其中借助突触的(synaptisch)模型实现业务量动态特性的分类，其动态特性直接取决于前后突触连接的脉冲的准确同步。

本发明一般涉及网络通信的领域和特别是计算机网络通信的领域。尤其是作为通信网现在正采用的分组交换网。分组交换网譬如在基于蜂窝状网络中以使用因特网协议IP或因特网协议ATM为基础。为判别是否允许和允许以哪种情况、也即哪种价格和哪种可靠的传输质量实现分组交换网中的通信连接，需要建立关于不仅是这条通信连接的、而且是已经接收到的和还要等待的通信连接的通信业务量的特性的模型和假设。在这种关系中，称之为所谓的呼叫许可控制(以下也缩写为CAC)和业务质量(以下也缩写为QoS)。目标是获得所使用的通信带宽的有关确定的量值、譬如利润、用户满意度、无损耗度等最佳的利用系数。

在未来，应考虑在因特网中明显的多媒体数据增加的部分。这等于突发数据的明显增长，该数据与可变的比特率相连，并且带有过载趋势高的危险。在此，在图象和语音通信中，对无抖动提出了很高的要求，以便可接收等时的数据。在此，解题途径(Lsungs-ansatz)预料在于分组优先以及在于很仔细的CAC算法，以便可保证最终的传输质量直至其担保的附带要求(Haftungseinschluss)。其担保的附带要求譬如在重要的数据传输中具有重要地位、譬如象在外科手术中那样通过视频会议线路。

采用具有自适应特性的CAC算法是不可避免的。自适应特性的CAC算法系指应用技术的新领域，因为迄今整个通信的运行过程是在接收相对稀少地出现的分组损失和时延的情况下按照“尽力”的原则假设带宽“不受限制”通过固定连接的选择路由进行的。对于CAC算法讨论了两种解题途径(Ansatz)，也即一种随机性的和一种确定性的解题途径。随机性的意味着在关联到这种算法的情况下，通过多路复用期望测定出在过载危险较大时具有通信网较高平均的利用系数的脉冲串。确定性的意味着在关联到这种算法的情况下，根据得到保证的通信业务量特性、譬如所谓的峰值比特率(PBR)保守地分配通信网的带宽。如从下面所见，本发明建议采用两种解题途径的组合，并且由此得到一种自适应CAC算法。

对此的基础是随机性的脱机通信业务量模型，其中如果出现特殊的、临界的动态特性或特征，则可实时地采取适应策略。对于这种模型要借助受脉冲作用的神经元网络。

神经元网络具有许多神经元，这些神经元至少彼此部分地结合。输入信号作为输入量输送给神经元网络的输入神经元。神经元网络通常具有多个层。依赖于输送给神经元网络的一个神经元的输入量和规定用于神经元的激活功能，一个神经元分别产生一个信号，该信号按照可规定的加权作为输入量又输送给另一层的神经元。在输出层中则依赖于输送给前面的层的神经元的输出神经元的量在一个输出神经元中产生一个输出量。

神经元网络通过作用势或“脉冲”(“尖峰信号”)对信息编码，这些作用势或“脉冲”使神经元点火事件具有特征。因此，在时间编码的范围内，所谓的时空点火群集(Feuerungsmuster)对有关感知性刺激的信息进行编码。换句话说，不同类型的刺激通过不同类型的时空点火群集进行区分。在这种关系中，建议将传送信息的最大化作为工具来简短地说明达到这个目标的可区别性。通过在输入类别的名称和由对表示的刺激编码的神经元提供的形成的脉冲群集之间传输信息的最大化，保障最佳的区分特性。

本发明的任务在于建立对网络通信的业务量动态特性进行分类的一种方法，该方法以相当清楚明了的计算花费保障可靠的业务量动态特性进行分类。

通过权利要求1的特征来解决这项任务。本发明优选的扩展的实施方案在依赖于权利要求1的权利要求中给出。

本发明的另一个任务在于建立一种神经元网络，以对网络通信的业务量动态特性进行分类，该神经元网络以相当清楚明了的计算花费保障对可靠的业务量动态特性进行分类。

通过权利要求5的特征来解决这项任务。本发明优选的扩展的实施方案在从属于权利要求5的权利要求中给出。

还有，本发明的任务在于建立一种装置以实施本发明所述的对网络通信的业务量动态特性进行分类的方法，该网络在一个处理器中以相当小容量允许对业务量动态特性进行可靠的分类。

通过权利要求9的特征来解决这项任务。本发明优选的扩展的实施方案在从属于权利要求9的权利要求中给出。

受脉冲作用的神经元网络的提出的重大问题，在与网络通信的业务量动态特性的分类有关的情况下，正如上文所涉及的，是在通信网中、首先是计算机网中对通信业务流的分类和对业务量的特性的检测，这同样也可以是连机实现，所述通信业务量的特性与作为基础的假设的或达成的值不相符合，并由此危害到QoS的保障。在这里应举一个例子。当具有特性x的数据流请求传输时，则CAC知道根据模型的设假在理论上准许x是可能的，无须使给出的网络资源过载。但是，在每次测量已经接收到的数据流情况下，都可确定与模型设定的偏离。在此，系指已经运行的数据流的未预料到的临界特性。由此所得到的结果在拒绝x的情况下适应于保守的策略。于是，这个过程基于认识，这种认识将重点不放在比特率上(“速率编码”)，而是在监视遵循达成的通信业务量特征时，在确定和评估资源负载情况下，将重点放在关键性的脉冲串群集上(“时间编码”)来达到目标。原因是首先具有特殊的同时出现的峰值负荷，并且不是平均的比特率，该比特率就本身而言也是可以无问题可以掌握的。

作为另一种应用，本发明规定建立联机操作的矩阵“谁与谁通信”，必要时可增加“通信类型”维数。照此，目的是对多部、譬如两部计算机的输出数据的数据流的分类，并由此是每个时间间隔发送的数据分组的数量，作为时间函数标志成一类“共用通信”和一类“彼此独立的通信”。这种分类的结果是对于每对网络中的计算机来说，在这个矩阵中都具有一个登记项，其中1表示在计算机之间有共用通信，0用于表示彼此独立的通信。由此，这个矩阵表示一个以检测偏离标准情况的可能性的一个棋盘图案。除0以外所占用的行/列譬如都指出通信出故障(故障)，而除1以外所占用的行/列可指示具有外部的攻击(欺诈)。但是，还有复杂的矩阵图案给出了关于系统状态的说明，譬如通过按属性进行的分类如“正常/非正常”、“过载”、“过载危险”等等。

换句话说，本发明的核心是通过数学上相当简单地表述脉冲以自适应神经元网络技术引进时间编码。通过此使得有可能产生信号处理的新型方法。特别是面临的是典型的人员的任务中，如识别时空群集，需要该时空群集譬如用于语音识别和用于计算机通信业务量问题，许多优点是期望通过很准确地模拟人脑的工作方式的技术来获得。

所说的时间群集(时间集群)的分类，按照本发明通过一个突触模型实现，其动态特性直接依赖于前后突触连接的脉冲的准确的同步或时间控制。为此目的，本发明的模型粗略地说明了实现一个生物突触的主要短时间的功能，也即传输的简化和抑制。此外，模型的短时间的动态特性是可自适应的。这就意味着突触改变了传输的简化和抑制的关系，以此，其最大响应特性的时间变化过程-和由此使得其延迟作用的时间变化过程-将变换成一列脉冲。

所述的突触特性从下面给出的公式的相互作用所支配的依赖脉冲时间的突触的资源的状态中得出。

对于输入脉冲的突触方式的传输，首先是由在前突触的轴突(Bouton)和/或最终轴突(Endknopf)中的C确定通过Ca²⁺给出的浓度，所述的轴突在0和1之间实时地被模型化。用一个小的扩散过程在一个额外细胞状空间和一个快速打开与钙有关的离子通道中在时间t^sp _pre。到达一个前突触脉冲时以如下方程计算：

$\frac{d}{\mathrm{dt}}C=-,\frac{C}{{\mathrm{\τ}}_{\mathrm{fac}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·C_0\·(1-c)---\left(1\right)$

其中C以一个时间常数τ_fac随指数减少，并且在前突触的脉冲到达时C复位，该前突触的脉冲到达时间可通过δ分布重新给出。当处于Ca²⁺浓度这种跃变时，C用一个自适应参数C₀进行标量，该参数C₀通过突触产生的最大的EPSP(EPSP代表字符的激励电势)的时间变化过程。C₀表示钙量值，该钙量值进入细胞单元或换句话说只是如钙离子通道可毫无问题地打开那样才可重新给出。C₀系指准确的那种学习参数，其相应的公式在下面给出。

在神经元发射机的前突触的释放位置中，突触连接的细胞单元(Vesikel)被对接，或不被对接。事实上具有一个已对接的细胞单元的释放位置部分由一个变量P_v给出。P_rel系指那个释放在前突触连接的点火(Feuern)的情况下已经对接的细胞单元的部分。当前假定每个对接的细胞单元需释放4个钙离子。由于这个原因，C以指数4引入公式。释放的细胞单元的部分随着C的提高而提高。在此系指突触接通部分：

       P_rel＝P_v·C⁴                               (2)

其中P_v本身受下面的公式支配：

$\frac{d}{\mathrm{dt}}{P}_v=\frac{1-P_v}{{\mathrm{\τ}}_{\mathrm{rec}}}-\mathrm{\δ}(t-{t^{\mathrm{sp}}}_{\mathrm{pre}})\·P_{\mathrm{rel}}\·P_v---\left(3\right)$

P_v是当前可提供细胞单元资源的部分，它提供用来进行神经元发射机释放。P_v在完全复原状态中具有值为1，其中通过复原时间常数τ_rec调整复原，该复原在无前突触脉冲情况下产生一个指数复原或恢复过程。这个复原过程表示从细胞核中在下面给出的或提供的细胞单元。如果τ_rec相当大，则到达的脉冲会导致细胞单元资源减少。在此系指突触的阻抑部分。

由此，在后突触的一侧，引入了EPSP，它在前突触的脉冲的到达的时刻取决于P_rel：

$\frac{d}{\mathrm{dt}}\mathrm{EPSP}=-\frac{\mathrm{EPSP}}{{\mathrm{\τ}}_{\mathrm{EPSP}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}---\left(4\right)$

现引用的公式(1)-(4)在对前突触的脉冲作出响应的情况下，控制着突触的原则上的动态特性。产生的短时间效应包括接通和阻抑。通过变量C₀改变的这两种效应之间的关系按照时刻控制着EPSP中的最大的响应，并且由此在传输时控制着延迟效应。

图1示出了对突触参数C₀的不同的值的不同的突触的响应类型。突触延迟也即其最大的响应特性从快速响应特性直到慢速响应特性变化。后突触连接的附带着由扩散产生的电动势损失的整体神经元和点火神经元从一条突触接收一串均匀间隔的脉冲。在图1中示出了这个突触连接的神经元的膜势。

学习要这样按如下所执行的那样进行，其中论及长时间地扩展的效应，该效应将导致引入短时间动态特性的自适应性。

现在应说明在取决于前突触和后突触脉冲的过程的情况下学习突触的延迟过程的机制。学习算法的核心如下：如果出现一个后突触脉冲，在突触达到其最大响应特性前，该算法如此执行自适应，以致于它在下一次提前达到其最大值。这就意味着C₀增加或扩大了。如果出现一个后突触脉冲，在一条突触已经达到其最大响应特性后，对此，突触模拟地在下一次试验，附加地延迟其响应特性，这意味着C₀缩小或减少了。如这个情况单独地所实现的那样，现正在执行。

首先，神经元发射机浓度N被引入突触的列：

$\frac{d}{\mathrm{dt}}N=-\frac{N}{{\mathrm{\τ}}_N}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·(1-N)\·{\mathrm{\α}}_N---\left(5\right)$

其中τ_N是一个神经元发射机拆除的时间常数，并且其中α_N是一个释放系数。在此，τ_N象输出神经元的膜常数那样，选择这么大，以致于N重现使这个突触有助于后突触膜势。N的最大值应与这个突触对后突触连接的神经元起最大作用同时发生。为求出这个最大值，需要求出N的时间过程的包络线的第一导数。对此，需要一个附加的变量

:

$\frac{d}{\mathrm{dt}}\stackrel{\‾}{N}=-\frac{N-\stackrel{\‾}{N}}{{\mathrm{\τ}}_{\stackrel{\‾}{N}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}}-\mathrm{\Δt})\·(N-\stackrel{\‾}{N})---\left(6\right)$

由

假定根据最后的点火事件存储N的值。 的目的在于求出，是否突触在与前面的点火事件比较后当前或多或少地释放发射机。通过从

，可确定是否N趋向于增加或下降。更新、也即在前突触点火中将 调整到N，在前突触脉冲出现后一段时间内会实现，就象用Δt在δ项中所指出的那样。假设 是离释放位置不远的一个位置上的神经元发射机浓度，以致于浓度需一个确定的时间Δt，以便移动到那里去。在仿真中，Δt用一个时间间隔进行选择也即用1ms的时间间隔进行选择。重要的是 要足够大，以便 事实上可根据最后的点火事件存储N的值。

在每个时间间隔中，现在使用 以便求出值C^* ₀，在出现前突触脉冲时，C₀必须随值C^* ₀变化。

其中α_c*0是学习速率。在公式7中求出C^* ₀时划分为两种情况，以保障C₀限制在0和1之间。

如果事实上出现前突触脉冲，则最后还是由C^* ₀改变C₀。

$\frac{d}{\mathrm{dt}}{C}_0=\mathrm{\δ}(t-r_{\mathrm{post}}^{\mathrm{sp}})\·C_0^{*}---\left(8\right)$

图2示出了与C^* ₀一起的N的相应的曲线。学习后，最后所述的曲线的0行程与N的最大值的最大响应重合。

各个附图示出了：

图1示出了在对自适应的突触参数C₀产生响应情况下，不同形式的突触的响应特性；峰值响应以C₀较小的值向右移动，并且由此导致传输延迟；

图2A示出了对参数值C₀的不同的值产生神经元发射机浓度N的不同的时间变化过程；

图2B示出了更新曲线C^* ₀；这个曲线确定了在更新为C₀时变化的方向和延长；值得注意的是，0行程与神经元发射机浓度内的相应的最大值重合，这就意味着C₀不变化；当后突触脉冲准确地在最大的突触响应的时刻产生时；在最大值达到之前，当后突触脉冲出现时，C₀下降；在最大值达到之后，当后突触脉冲出现时，C₀升高或变大。

图3举例示出了在计算机网络管理中具有脉冲作用的神经元的时间群集，并且

图4示出了按照图3所示的时间群集的典型应用范围。

在使用含有脉冲作用的神经元网络的基础上，考虑到检测群集、获得动态特性和对时间序列分类的情况下，突出地说明特别优选地时间动态特性结构的分析技术。在此，系指一个递推的、也即动态特性的网络，其网络单元借助动态特性的阈值单元紧密地仿照自然界的神经系统调制神经元。这些以其电荷状态变化的形式处理其加权的输入，并且尽管标志为放电，但是通过发送作用势在超过阈值时产生其输出。

网络通信连接的反馈和时延允许网络通过时间超前的输入和处理步骤，以自然方式和无限制地通过体系结构动态地在网络中存储重要信息，并且由此按照需要的权限直接输入输入流的时间动态特性，并且学习其特性。对此在使用脉冲作用的神经元的情况下，构成计算机网络通信的业务量动态特性的例子从以方框图形式表示的本身就说明的图3和4中得出。

由此，类似于模仿人类的大脑在连续的作用势或网络的形成的时空激活群集之间的时间间隔将成为系统(时间编码或时间群集)的内部编码的不同的单元。此外，以点过程或离散的过程代替连续的随机过程的形式的编码，作为这种类型的信息处理的中心特点，在使用数学学习功能时提供了很大的优点。

根据上述特点，这种类型的网络很适于时间群集的分类，如它在计算机网中分析通信业务量特征时出现那样，如图4中所示。

Claims (12)

1.在使用含有受脉冲作用的神经元的网络对网络通信的业务量动态特性进行分类的方法，其中网络通信的业务量数据构成神经元网络的输入量，并且其中通过脉冲处理所获得的时间群集构成神经元网络的输出量，其中借助突触的模型实现通信业务量动态特性的分类，其动态特性直接取决于前后突触连接的脉冲的准确同步。

2.按照权利要求1所述的方法，其特征在于，突触模型的动态特性通过下列公式确定：

$\frac{d}{\mathrm{dt}}C=-\frac{C}{{\mathrm{\τ}}_{\mathrm{fac}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·C_0\·(1-C)---\left(1\right)$

其中C以一个时间常数τ_fac随指数减少，并且在前突触的脉冲到达时C被复位，该前突触的脉冲到达时间可通过δ分布重新给出，当处于Ca²⁺浓度的这种跃变时，C用一个自适应参数C₀进行标量，该参数C₀求出通过突触产生的最大的EPSP(EPSP代表字符的激励电势)的时间过程。C₀表示钙量值，该钙量值进入细胞单元或换句话说只是如钙离子通道可毫无问题地打开那样，才可重新给出。C₀系指准确的那种学习参数，其相应的公式在下面给出。

          P_rel＝P_v·C⁴                  (2)

P_rel系指那个释放前突触连接的点火的已经对接的细胞单元的部分，并且其中P_v本身由下列公式支配：

$\frac{d}{\mathrm{dt}}{P}_v=\frac{1-P_v}{{\mathrm{\τ}}_{\mathrm{rec}}}-\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·P_v---\left(3\right)$

其中P_v是当前可提供细胞单元资源的部分，它提供用来进行神经元发射机释放。

$\frac{d}{\mathrm{dt}}\mathrm{EPSP}=-\frac{\mathrm{EPSP}}{{\mathrm{\τ}}_{\mathrm{EPSP}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}---\left(4\right)$

这就意味着，在后突触的一侧，引入了EPSP(EPSP代表字符的激励电势)，它在前突触的脉冲的到达的时刻取决于P_rel。

3.按照权利要求2所述的方法，其特征在于，为适应短时间的业务量动态特性在依赖于前和后突触的脉冲过程情况下执行一个用于突触延迟过程的学习过程，该过程由下列公式确定：

$\frac{d}{\mathrm{dt}}N=-\frac{N}{{\mathrm{\τ}}_N}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·(1-N)\·{\mathrm{\α}}_N---\left(5\right)$

其中τ_N是一个神经元发射机拆除的时间常数，并且其中α_N是一个释放系数。在此，τ_N象输出神经元的膜常数那样，选择这么大，以致于N重现使这个突触有助于后突触膜势。N的最大值从N的时间变化过程的包络线的第一导数中求出，对此，需要一个附加的变量

$\frac{d}{\mathrm{dt}}\stackrel{\‾}{N}=-\frac{N-\stackrel{\‾}{N}}{{\mathrm{\τ}}_{\stackrel{\‾}{N}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}}-\mathrm{\Δt})\·(N-\stackrel{\‾}{N})---\left(6\right)$

其中由 假定根据最后的点火事件存储N的值；其中在每个时间间隔中使用

以便求出值C^* ₀，在出现后突触脉冲时，C₀必须随值C^* ₀变化。

其中α_C*0是学习速率。并且其中在当事实上出现后突触脉冲时，最后还是由C^* ₀改变C₀。

$\frac{d}{\mathrm{dt}}{C}_0=\mathrm{\δ}(t-t_{\mathrm{post}}^{\mathrm{sp}})\·C_0^{*}---\left(8\right)$

4.按照上述权利要求1-3之一所述的方法，其特征在于，业务量动态特性是至少两个计算机之间的动态特性，该计算机通过LAN、MAN或WAN连接。

5.神经元网络，它包括脉冲作用的神经元，它为对网络通信的业务量动态特性进行分类规定使用一种突触模型，其动态特性直接取决于前和后突触脉冲的准确的计时，其中网络通信的业务量数据构成了神经元网络的输入量，并且其中通过脉冲处理所获得的时间群集构成了神经元网络的输出量。

6.按照权利要求5所述的神经元网络，其特征在于，突触模型的动态特性由下列公式确定：

$\frac{d}{\mathrm{dt}}C=-\frac{C}{{\mathrm{\τ}}_{\mathrm{fac}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·C_0\·(1-C)---\left(1\right)$

其中C以一个时间常数τ_fac随指数减少，并且在前突触的脉冲到达时C复位，该前突触的脉冲到达时间可通过δ分布重新给出。当处于Ca²⁺浓度的这种跃变时，C用一个自适应参数C₀进行标量，该参数C₀求出通过突触产生的最大的EPSP(EPSP代表字符的激励电势)的时间过程。C₀表示钙量值，该钙量值进入细胞单元或换句话说只是如钙离子通道可毫无问题地打开那样，才可重新给出。C₀系指准确的那种学习参数，其相应的公式在下面给出：

          P_rel＝P_v·C⁴                 (2)

其中P_rel系指那个释放前突触连接的点火的已经对接的细胞单元的部分，并且其中P，本身由下列公式支配：

$\frac{d}{\mathrm{dt}}{P}_v=\frac{1-P_v}{{\mathrm{\τ}}_{\mathrm{rec}}}-\mathrm{\δ}(t-t_{\mathrm{pee}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·P_v---\left(3\right)$

其中P_v是当前可提供细胞单元资源的部分，它提供用来进行神经元发射机释放；

$\frac{d}{\mathrm{dt}}\mathrm{EPSP}=-\frac{\mathrm{EPSP}}{{\mathrm{\τ}}_{\mathrm{EPSP}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}---\left(4\right)$

这就意味着，在后突触的一侧，引入了一个EPSP(EPSP代表字符的激励电势)，它在前突触的脉冲到达的时刻取决于P_rel。

7.按照权利要求6所述的神经元网络，其特征在于，为适应短时间的业务量动态特性在依赖于前和后突触的脉冲过程情况下，执行一个用于突触延迟过程的学习过程，该过程由下列公式确定：

$\frac{d}{\mathrm{dt}}N=-\frac{N}{{\mathrm{\τ}}_N}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·(1-N)\·{\mathrm{\α}}_N---\left(5\right)$

其中τ_N是一个神经元发射机拆除的时间常数，并且其中α_N是一个释放系数。在此，τ_N象输出神经元的膜常数那样，选择这么大，以致于N重现使这个突触有助于后突触膜势；N的最大值应从N的事件过程的包络线的第一导数求出，对此需要一个附加的变量

$\frac{d}{\mathrm{dt}}\stackrel{\‾}{N}=-\frac{N-\stackrel{\‾}{N}}{{\mathrm{\τ}}_{\stackrel{\‾}{N}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}}-\mathrm{\Δt})\·(N-\stackrel{\‾}{N})---\left(6\right)$

其中由

假定根据最后的点火事件存储N的值；其中在每个时间间隔中使用 以便求出值C^* ₀，在出现后突触脉冲时，C₀必须随C^* ₀变化：

其中α_c*0是学习速率。并且其中在当事实上出现后突触脉冲时，最后还是由C^* ₀改变C₀。

$\frac{d}{\mathrm{dt}}{C}_0=\mathrm{\δ}(t-t_{\mathrm{post}}^{\mathrm{sp}})\·C_0^{*}---\left(8\right)$

8.按照权利要求5-7之一所述的神经元网络，其特征在于，业务量动态特性是在至少两部计算机之间的动态特性，这两部计算机通过LAN、MAN或WAN连接。

9.实施按照权利要求1-4之一所述的方法的装置，以使用含有脉冲作用的神经元的网络对网络通信的业务量动态特性进行分类，其中网络通信的业务量数据构成了神经元网络的输入量，并且其中通过脉冲处理的所获得的时间群集构成了神经元网络的输出量，用一个处理器，敷设该处理器用来，借助突触的模型实现业务量动态特性的分类，其动态特性直接取决于前后突触连接的脉冲的准确计时。

10.按照权利要求9所述的装置，其特征在于，突触模型的动态特性由下列公式确定：

$\frac{d}{\mathrm{dt}}C=-\frac{C}{{\mathrm{\τ}}_{\mathrm{fac}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·C_0\·(1-C)---\left(1\right)$

其中C以一个时间常数τ_fac随指数减少，并且在前突触的脉冲到达时C复位，该前突触的脉冲到达时间可通过δ分布重新给出。当处于Ca²⁺浓度的这种跃变时，C用一个自适应参数C₀进行标量，该参数C₀求出通过突触产生的最大的EPSP(EPSP代表字符的激励电势)的时间变化过程。C₀表示钙量值，该钙量值进入细胞单元或换句话说只是如钙离子通道可毫无问题地打开那样，才可重新给出；C₀系指准确的那种学习参数，其相应的公式在下面给出。

          P_rel＝P_v·C⁴                 (2)

其中P_rel系指那个释放前突触连接的点火的已经对接的细胞单元的部分，并且其中P_v本身由下列公式支配：

$\frac{d}{\mathrm{dt}}{P}_v=\frac{1-P_v}{{\mathrm{\τ}}_{\mathrm{rec}}}-\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·P_v---\left(3\right)$

其中P_v是当前可提供的细胞单元资源的部分，它提供用来进行神经元发射机释放；

$\frac{d}{\mathrm{dt}}\mathrm{DPSP}=-\frac{\mathrm{EPSP}}{{\mathrm{\τ}}_{\mathrm{EPSP}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}---\left(4\right)$

这就意味着，在后突触的一侧，引入了一个EPSP(EPSP代表字符的激励电势)，它在前突触的脉冲的到达的时刻取决于P_rel。

11.按照权利要求10所述的装置，其特征在于，为适应短时间的业务量动态特性在依赖于前和后突触的脉冲过程情况下执行一个用于突触延迟过程的学习过程，该过程由下列公式确定：

$\frac{d}{\mathrm{dt}}N=-\frac{N}{{\mathrm{\τ}}_N}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}})\·P_{\mathrm{rel}}\·(1-N)\·{\mathrm{\α}}_N---\left(5\right)$

其中τ_N是一个神经元发射机拆除的时间常数，并且其中α_N是一个释放系数。在此，τ_N象输出神经元的膜常数那样，选择这么大，以致于N重现使这个突触有助于后突触膜势；N的最大值应从N的时间变化过程的包络线的第一导数求出，对此需要一个附加的变量

$\frac{d}{\mathrm{dt}}\stackrel{\‾}{N}=-\frac{N-\stackrel{\‾}{N}}{{\mathrm{\τ}}_{\stackrel{\‾}{N}}}+\mathrm{\δ}(t-t_{\mathrm{pre}}^{\mathrm{sp}}-\mathrm{\Δt})\·(N-\stackrel{\‾}{N})---\left(6\right)$

其中由 假定根据最后的点火事件存储N的值；其中在每个时间间隔中使用

以便求出值C^* ₀，在出现后突触脉冲时，C₀必须随C^* ₀变化：

其中α_c*0是学习速率。并且其中在当事实上出现后突触脉冲时，最后还是由C^* ₀改变C₀。

$\frac{d}{\mathrm{dt}}{C}_0=\mathrm{\δ}(t-t_{\mathrm{post}}^{\mathrm{sp}})\·C_0^{*}---\left(8\right)$

12.按照权利要求9-11之一所述的神经元网络，其特征在于，业务量动态特性是在至少两部计算机之间的动态特性，这两部计算机通过LAN、MAN或WAN连接。

Images