认知科学与类脑计算第四章神经元模型与计算机制模拟卷及答案

2301_80226956

77人浏览 · 2026-07-17 00:50:59

2301_80226956 · 2026-07-17 00:50:59 发布

第四章：神经元模型与计算机制 — 单元习题

总分：100分 | 建议用时：70分钟（内容较多）
题型：30%客观题（选择+填空）+ 70%问答（简答+计算）

占位图
在这里插入图片描述

一、单项选择题（每题2分，共8题，16分）

1. M-P神经元模型的输出信号是？
A. 连续浮点值
B. 二进制0/1（发放/不发放）
C. 脉冲频率
D. 模拟电压值

2. 现代深度学习中人工神经元相比M-P神经元的关键进步是？
A. 使用阶跃函数作为激活函数
B. 输入输出均为0/1
C. 可以通过反向传播算法学习权重
D. 只有一个固定的阈值

3. Hodgkin-Huxley模型中，K⁺通道的电导表达式为？
A. $gK=gˉK⋅m3hg_K = \bar{g}_K \cdot m^3h$
B. $gK=gˉK⋅n4g_K = \bar{g}_K \cdot n^4$
C. $gK=gˉK⋅m4g_K = \bar{g}_K \cdot m^4$
D. $gK=gˉK⋅nhg_K = \bar{g}_K \cdot nh$

4. LIF模型相对于HH模型的核心简化是？
A. 加入了更多的离子通道类型
B. 把所有跨膜电阻看作一个不变的整体
C. 引入了随机噪声机制
D. 增加了不应期的建模

5. 单层感知机（Perceptron）的主要局限是？
A. 无法处理任何分类任务
B. 只能处理线性可分的二分类问题
C. 计算代价过高
D. 需要GPU加速

6. 反向传播算法中，参数更新的直接依据是？
A. 前向传播的激活值
B. 损失函数对各层参数的梯度
C. 输入数据的分布
D. 神经元的阈值

7. 梯度消失问题在深层网络中表现为？
A. 靠近输出层的梯度趋近于零
B. 靠近输入层的梯度趋近于零
C. 所有权重同时增大
D. 损失函数始终为零

8. 脉冲神经网络被称为什么？
A. 第一代神经网络
B. 第二代神经网络
C. 第三代神经网络
D. 第四代神经网络

二、填空题（每空2分，共7空，14分）

9. M-P神经元的三大特性是：________整合特性、________特性，以及忽略时间整合和不应期。

10. HH模型基于基尔霍夫电流定律建立，总电流 = ________电流 + 离子电流。Na⁺通道的门控变量为________（激活门）和h（失活门）。

11. LIF模型的膜时间常数 $τm=________\tau_m = \_\_\_\_\_\_\_\_$ 。当输入恒定电流I时，膜电位的稳态值为________。

三、简答题（每题10分，共4题，40分）

12. 请比较M-P神经元与现代深度学习中人工神经元的主要区别（从输入、激活函数、学习能力三个维度）。

13. 请解释Hodgkin-Huxley模型的电路建模思路，说明三种离子通道（Na⁺、K⁺、Leak）各自的作用，以及门控变量n、m、h的物理含义。

14. 试述LIF模型的推导过程（从基尔霍夫电流定律出发），解释为什么LIF被称为"Leaky"（漏电的），以及它与HH模型相比的优缺点。

15. 请简述反向传播算法的核心思想和工作流程。什么是梯度消失和梯度爆炸？分别给出一种解决方案。

四、计算题（每题15分，共2题，30分）

16. 已知某LIF神经元的参数如下：膜时间常数 $τm=20ms\tau_m = 20\text{ms}$ ，膜电阻 $10\text{M}\Omega$ ，静息电位 $urest=0mVu_{rest} = 0\text{mV}$ ，阈电位 $Vth=20mVV_{th} = 20\text{mV}$ 。现施加恒定输入电流 $3\text{nA}$ 。

(1) 该神经元能否发放脉冲？请说明判断依据并计算膜电位的稳态值。
(2) 若能发放，请计算脉冲发放周期T和发放频率f（忽略不应期）。
(3) 若电流增加到 $4\text{nA}$ ，发放频率如何变化？请计算新的发放频率。

参考公式： $\tau_m \ln\left(\frac{RI}{RI - V_{th}}\right)$ ， $\frac{1}{T}$

17. 某单层感知机需要学习二分类任务。给定当前权重 $w = [1, - 1]$ ，偏置 $b = 0$ ，学习率 $η=0.5\eta = 0.5$ 。训练样本为 $x = [2, 1]$ ，标签 $y = + 1$ 。

(1) 计算当前模型对该样本的分类输出，判断是否误分类。
(2) 如误分类，请使用感知机学习算法更新权重w和偏置b。
(3) 使用更新后的参数重新判断该样本是否被正确分类。

参考： $f(x) = sign(w^T x + b)$ ；更新公式 $\leftarrow w + \eta y x$ ， $\leftarrow b + \eta y$

试卷结束，请认真检查。（题16参考ln取值： $ln⁡(3)≈1.099\ln(3) \approx 1.099$ ， $ln⁡(2)≈0.693\ln(2) \approx 0.693$ ）

第四章：神经元模型与计算机制 — 单元习题答案

一、单项选择题答案

题号	答案	解析
1	B	M-P神经元只有发放/不发放脉冲(0/1)，可用布尔逻辑表示
2	C	现代神经元使用BN等可学习参数，通过BP算法端到端学习；M-P神经元权重固定不可学习
3	B	K⁺通道： $gK=gˉK⋅n4g_K=\bar{g}_K\cdot n^4$ ；Na⁺通道： $gNa=gˉNa⋅m3hg_{Na}=\bar{g}_{Na}\cdot m^3h$
4	B	LIF把HH模型的多条离子通路简化为一个不变的跨膜电阻，大大降低复杂度
5	B	单层感知机是线性二分类器，无法解决XOR等线性不可分问题
6	B	BP算法通过计算损失函数对各层参数的梯度（偏导数）来更新权重和偏置
7	B	梯度消失指靠近输入层（前层）的梯度趋近于零，导致前层参数几乎不更新
8	C	SNN由Wolfgang Maass于1997年提出，被称为第三代神经网络

二、填空题答案

9. 空间、阈值

10. 电容（ $I_C$ ）、m

11. RC、 $R I$ （或 $RI + u_{rest}$ ，当 $u_{rest}=0$ 时即 $R I$ ）

三、简答题参考答案

12. M-P神经元 vs 现代人工神经元

参考答案：

对比维度	M-P神经元	现代人工神经元
输入	仅0/1（二进制）	连续实数值
激活函数	阶跃函数（非0即1）	Sigmoid/ReLU/Tanh等连续可微函数
学习能力	无（权重固定，不可学习）	有（通过BP算法端到端学习权重）
网络深度	仅单层	可堆叠为深层网络
数学基础	布尔逻辑	梯度下降+链式法则

关键进步：从"离散逻辑计算"到"连续可微的梯度优化"，使深层网络训练成为可能。

13. Hodgkin-Huxley模型电路建模

参考答案：

电路建模思路：

将细胞膜看作电容 + 多条离子通道（并联电阻+电池）
基于基尔霍夫电流定律：总电流 = 电容电流 + 各离子电流之和
$C\frac{dV}{dt} + \sum g_{ion}(V - E_{ion})$

三种离子通道：

通道	电导公式	作用
Na⁺通道	$gNa=gˉNa⋅m3hg_{Na} = \bar{g}_{Na} \cdot m^3h$	去极化：Na⁺内流使膜电位上升，产生AP上升相
K⁺通道	$gK=gˉK⋅n4g_K = \bar{g}_K \cdot n^4$	复极化：K⁺外流使膜电位下降，产生AP下降相
漏通道（Leak）	$g_L$ （恒定）	维持静息电位，代表非特异性离子通透

门控变量的物理含义：

n：K⁺通道激活门开放概率（0→1），每个K⁺通道需要4个独立n门同时开放→n⁴
m：Na⁺通道激活门开放概率（0→1），3个m门→m³
h：Na⁺通道失活门开放概率（1→0），h→0时Na⁺通道失活关闭
所有变量由电压依赖的速率常数α和β决定： $dndt=αn(1−n)−βnn\frac{dn}{dt} = \alpha_n(1-n) - \beta_n n$

14. LIF模型推导与Leaky含义

参考答案：

推导过程：

由基尔霍夫定律，总电流 = 电阻电流 + 电容电流：
$\frac{u(t) - u_{rest}}{R} + C\frac{du}{dt}$
整理为标准形式：
$Cdudt=−u(t)−urestR+I(t)C\frac{du}{dt} = -\frac{u(t) - u_{rest}}{R} + I(t)$
引入膜时间常数 $τm=RC\tau_m = RC$ ，两边乘R：
$τmdudt=−[u(t)−urest]+RI(t)\tau_m \frac{du}{dt} = -[u(t) - u_{rest}] + RI(t)$
恒定电流输入时的解析解（设 $u_{rest}=0$ ）：
$RI)e^{-t/\tau_m}$

“Leaky”（漏电）的含义：

膜电位不会无限积累，而是以指数形式向稳态值RI趋近
无输入时（I=0），膜电位指数衰减回零（漏回静息电位）
时间常数 $τm=RC\tau_m=RC$ 决定漏电速度——τ越大，漏电越慢

与HH模型的对比：

	HH模型	LIF模型
优点	生物拟合度极高	计算简单，适合大规模网络
缺点	计算代价大，需解多变量微分方程	忽略离子通道细节，生物拟合度低
应用	精细单神经元仿真	大规模SNN、类脑计算

15. 反向传播算法与梯度问题

参考答案：

核心思想：
利用链式法则计算损失函数对各层参数的梯度，从输出层向输入层逐层回传误差信号，根据梯度更新参数以最小化损失。

四步工作流程：

前向传播：输入→各层线性变换+激活→输出预测ŷ
误差计算：计算ŷ与真实标签y的损失 $L(y^,y)\mathcal{L}(\hat{y}, y)$
反向传播：从输出层开始，应用链式法则逐层计算 $∂L/∂W(l)\partial\mathcal{L}/\partial W^{(l)}$ 和 $∂L/∂b(l)\partial\mathcal{L}/\partial b^{(l)}$
参数更新： $\leftarrow W - \eta \cdot \partial\mathcal{L}/\partial W$

梯度消失：

现象：反向传播中浅层梯度趋近于0，参数几乎不更新
原因：Sigmoid/Tanh等饱和激活函数导数<<1，多层连乘后指数衰减
解决：使用ReLU激活函数（导数为0或1）、批归一化（Batch Normalization）

梯度爆炸：

现象：梯度累积放大，参数更新过大→NaN，训练崩溃
原因：权重初始值过大或激活函数导数>1，多层连乘指数放大
解决：梯度截断（Gradient Clipping），超过阈值时缩放；使用RMSprop/Adam自适应优化器

四、计算题参考答案

16. LIF神经元脉冲发放计算

(1) 判断能否发放

判断条件：需满足 $RI > V_{th}$ （否则膜电位稳态值达不到阈值）。

$10\text{M}\Omega \times 3\text{nA} = 10 \times 10^6 \times 3 \times 10^{-9} = 30\text{mV}$

稳态膜电位 = $30\text{mV} > V_{th} = 20\text{mV}$ → 能发放脉冲。

膜电位稳态值为30mV，超过了20mV的阈值，神经元会反复发放。

(2) 发放周期T和频率f

$\tau_m \ln\left(\frac{RI}{RI - V_{th}}\right) = 20 \times \ln\left(\frac{30}{30 - 20}\right) = 20 \times \ln\left(\frac{30}{10}\right) = 20 \times \ln(3)$

$\times 1.099 = 21.98 \text{ ms}$

$\frac{1}{T} = \frac{1}{21.98 \times 10^{-3}} \approx 45.5 \text{ Hz}$

答：发放周期约22.0ms，发放频率约45.5Hz。

(3) I=4nA时的发放频率

$10\text{M}\Omega \times 4\text{nA} = 40\text{mV}$

$\times \ln\left(\frac{40}{40 - 20}\right) = 20 \times \ln\left(\frac{40}{20}\right) = 20 \times \ln(2)$

$\times 0.693 = 13.86 \text{ ms}$

$\frac{1}{13.86 \times 10^{-3}} \approx 72.2 \text{ Hz}$

答：电流增大后，周期缩短至13.9ms，频率提升至约72.2Hz。

规律：输入电流越大→RI越大→RI/(RI-Vth)越接近1→ln值越小→T越小→f越高。即输入电流越大，发放频率越高。

17. 感知机学习算法计算

(1) 当前分类判断

$wTx+b=[1,−1]⋅[2,1]T+0=1×2+(−1)×1=1w^T x + b = [1, -1] \cdot [2, 1]^T + 0 = 1 \times 2 + (-1) \times 1 = 1$

$f (x) = s i g n (1) = + 1$

标签 $y = + 1$ ， $f (x) = + 1$ → 分类正确，没有误分类。

因此本次无需更新权重。

(2) & (3) 无需更新，参数不变

由于该样本被正确分类，感知机学习算法仅在误分类时更新参数。

如果样本被误分类（例如 $y = - 1$ 而 $f (x) = + 1$ ），则更新为：
$\leftarrow w + \eta y x = [1,-1] + 0.5 \times (-1) \times [2,1] = [1,-1] + [-1, -0.5] = [0, -1.5]$
$\leftarrow b + \eta y = 0 + 0.5 \times (-1) = -0.5$