API tools faq
paste
Advertisement
Guest User

model

a guest
Oct 5th, 2016
404
0
Never
Add comment
Not a member of Pastebin yet? Sign Up, it unlocks many cool features!
C++ 26.14 KB | None | 0 0
raw download clone embed print report
  1. #define DT                              0.1
  2. // N_CLASSES = number of SumNeurons
  3. #define N_CLASSES                       3
  4. // Input layer dimensions
  5. #define NEURONS_PER_PATTERN             4
  6. // LSN dimension
  7. #define R_LSN           8
  8. #define C_LSN           8
  9. #define N_NEURONS_LSN   R_LSN * C_LSN
  10. #define PERCENTAGE_INH  0.25
  11. #define PERCENTAGE_EXC  1 - PERCENTAGE_INH
  12. #define DIM_EXC         PERCENTAGE_EXC * N_NEURONS_LSN
  13. #define DIM_INH         PERCENTAGE_INH * N_NEURONS_LSN
  14.  
  15. #include "C:\genn-team-genn-8cacb78\lib\include\modelSpec.h"
  16. #include "C:\genn-team-genn-8cacb78\lib\include\modelSpec.cc"
  17.  
  18. void modelDefinition(NNmodel &model)
  19. {  
  20.     initGeNN();
  21.    
  22.     // NEURON MODELS
  23.         // IZHIKEVICH MODEL WITH VARIABLE INPUT CURRENT DEFINITION
  24.         neuronModel n;
  25.         n.varNames.clear();
  26.         n.varTypes.clear();
  27.         n.varNames.push_back(tS("V"));
  28.         n.varTypes.push_back(tS("scalar"));  
  29.         n.varNames.push_back(tS("U"));
  30.         n.varTypes.push_back(tS("scalar"));
  31.         n.varNames.push_back(tS("Iext"));
  32.         n.varTypes.push_back(tS("scalar"));
  33.         n.varNames.push_back(tS("y"));
  34.         n.varTypes.push_back(tS("scalar"));        
  35.  
  36.         n.pNames.clear();
  37.         n.pNames.push_back(tS("a")); // time scale of U
  38.         n.pNames.push_back(tS("b")); // sensitivity of U
  39.         n.pNames.push_back(tS("c")); // after-spike reset value of V
  40.         n.pNames.push_back(tS("d")); // after-spike reset value of U
  41.         n.dpNames.clear();
  42.         n.simCode= tS("    if ($(V) >= 30.0){\n\
  43.           $(V)=$(c);\n\
  44.               $(U)+=$(d);\n\
  45.         } \n\
  46.         $(V)+=0.5*(0.04*$(V)*$(V)+5.0*$(V)+140.0-$(U)+$(Iext) + $(Isyn))*DT; //at two times for numerical stability\n\
  47.         $(V)+=0.5*(0.04*$(V)*$(V)+5.0*$(V)+140.0-$(U)+$(Iext) + $(Isyn))*DT;\n\
  48.         $(U)+=$(a)*($(b)*$(V)-$(U))*DT;\n\
  49.         $(y)=$(Isyn); \n\
  50.         //if ($(V) > 30.0){   //keep this only for visualisation -- not really necessaary otherwise \n  \
  51.         //  $(V)=30.0; \n\
  52.         //}\n\
  53.         ");
  54.         n.thresholdConditionCode = tS("$(V) >= 29.99");
  55.         nModels.push_back(n);
  56.         unsigned int IZHIKEVICH_VAR_INPUT = nModels.size()-1;
  57.  
  58.         // SUMNEURON DEFINITION
  59.         neuronModel n2;
  60.         n2.varNames.clear();
  61.         n2.varTypes.clear();
  62.         n2.varNames.push_back(tS("V"));
  63.         n2.varTypes.push_back(tS("scalar"));  
  64.         n2.varNames.push_back(tS("Iext"));
  65.         n2.varTypes.push_back(tS("scalar"));
  66.         n2.varNames.push_back(tS("ISyn"));
  67.         n2.varTypes.push_back(tS("scalar"));
  68.         n2.varNames.push_back(tS("Vpre"));
  69.         n2.varTypes.push_back(tS("scalar"));
  70.         n2.varNames.push_back(tS("Ipre"));
  71.         n2.varTypes.push_back(tS("scalar"));
  72.         n2.varNames.push_back(tS("gain"));
  73.         n2.varTypes.push_back(tS("scalar"));
  74.         n2.varNames.push_back(tS("type"));
  75.         n2.varTypes.push_back(tS("int"));
  76.         n2.varNames.push_back(tS("integration"));
  77.         n2.varTypes.push_back(tS("int"));
  78.  
  79.         n2.pNames.clear();
  80.         n2.pNames.push_back(tS("decay"));
  81.         n2.dpNames.clear();
  82.        
  83.         n2.simCode= tS("\
  84.             $(ISyn) = $(Isyn);\n\
  85.             switch($(type)){\
  86.                 case 0:\n\
  87.                     $(Ipre) = $(Isyn) + $(Iext);\n\
  88.                     $(V) = $(Isyn) + $(Iext);\n\
  89.                     break;\n\
  90.                 case 1:\n\
  91.                     if($(Iext)+$(Isyn) > 0){\n\
  92.                         $(Ipre) = ($(Isyn) + $(Iext)) * $(gain);\n\
  93.                         $(V) = ($(Isyn) + $(Iext)) * $(gain);\n\
  94.                     }\n\
  95.                     else{\n\
  96.                         $(Ipre) = -($(Isyn) + $(Iext)) * $(gain);\n\
  97.                         $(V) = -($(Isyn) + $(Iext)) * $(gain);\n\
  98.                     }\n\
  99.                     break;\n\
  100.                 default:\n\
  101.                     $(Ipre) = $(Isyn) + $(Iext);\n\
  102.                     if($(integration) == 1) $(V) += $(Isyn) + $(Iext);\n\
  103.                     if(fmod(t,200) < 1e-4){\n\
  104.                         if($(Vpre) > $(V)) $(gain) += 100;\n\
  105.                         else{\n\
  106.                             $(gain) -= 100;\n\
  107.                             if($(gain) < 0) $(gain) = 0;\n\
  108.                         }\n\
  109.                         $(Vpre) = $(V);\n\
  110.                     }\
  111.                     $(V) = $(V) - 1/($(decay) - $(gain)) * $(V);\n\
  112.                     // Reset; vedi codice su Visual Studio // \n\
  113.                     // if(fabs(t - 600) < 1e-4) $(gain) = 0; // \n\
  114.             }\n\
  115.             $(Iext) = 0;\
  116.         ");
  117.  
  118.         n2.thresholdConditionCode = tS("1");
  119.  
  120.         nModels.push_back(n2);
  121.         unsigned int SUMNEURON = nModels.size() - 1;
  122.     // -----------------------------------------------------------------------------------------------------------------------------
  123.    
  124.     // POST SYNAPTIC MODEL
  125.         postSynModel ps;
  126.      
  127.         ps.varNames.clear();
  128.         ps.varTypes.clear();
  129.         ps.pNames.clear();
  130.         ps.dpNames.clear();
  131.         ps.postSynDecay=tS("");
  132.         ps.postSyntoCurrent=tS("$(inSyn)");
  133.         postSynModels.push_back(ps);
  134.         unsigned int POST_SYN_PERSONALIZED = postSynModels.size()-1;
  135.     // -----------------------------------------------------------------------------------------------------------------------------
  136.    
  137.     // SYNAPSE MODELS
  138.         // PERSONALIZED NO-LEARNING SYNAPSE
  139.         weightUpdateModel wuS;
  140.  
  141.         wuS.varNames.clear();
  142.         wuS.varTypes.clear();
  143.         wuS.pNames.clear();
  144.         wuS.dpNames.clear();
  145.  
  146.         wuS.varNames.push_back(tS("w"));
  147.         wuS.varTypes.push_back(tS("scalar"));
  148.  
  149.         // Variables that describe the impulse response
  150.         wuS.varNames.push_back(tS("epsilon_p"));               
  151.         wuS.varTypes.push_back(tS("scalar"));
  152.         wuS.varNames.push_back(tS("epsilon"));  
  153.         wuS.varTypes.push_back(tS("scalar"));
  154.         wuS.varNames.push_back(tS("epsilon_1"));               
  155.         wuS.varTypes.push_back(tS("scalar"));
  156.         wuS.varNames.push_back(tS("epsilon_2"));               
  157.         wuS.varTypes.push_back(tS("scalar"));
  158.         wuS.varNames.push_back(tS("epsilon_3"));               
  159.         wuS.varTypes.push_back(tS("scalar"));
  160.         wuS.varNames.push_back(tS("epsilon_1t"));              
  161.         wuS.varTypes.push_back(tS("scalar"));
  162.         wuS.varNames.push_back(tS("epsilon_2t"));              
  163.         wuS.varTypes.push_back(tS("scalar"));
  164.         wuS.varNames.push_back(tS("epsilon_3t"));              
  165.         wuS.varTypes.push_back(tS("scalar"));
  166.         wuS.varNames.push_back(tS("spike_1t"));                
  167.         wuS.varTypes.push_back(tS("scalar"));  
  168.         wuS.varNames.push_back(tS("spike_2t"));                
  169.         wuS.varTypes.push_back(tS("scalar"));
  170.         wuS.varNames.push_back(tS("spike_3t"));                
  171.         wuS.varTypes.push_back(tS("scalar"));
  172.         wuS.varNames.push_back(tS("flag_1"));                  
  173.         wuS.varTypes.push_back(tS("scalar"));
  174.         wuS.varNames.push_back(tS("flag_2"));                  
  175.         wuS.varTypes.push_back(tS("scalar"));
  176.         wuS.varNames.push_back(tS("flag_3"));
  177.         wuS.varTypes.push_back(tS("scalar"));
  178.        
  179.         // Debug variables
  180.         wuS.varNames.push_back(tS("variazione"));
  181.         wuS.varTypes.push_back(tS("scalar"));
  182.         wuS.varNames.push_back(tS("j"));
  183.         wuS.varTypes.push_back(tS("scalar"));
  184.         wuS.varNames.push_back(tS("val_prec"));
  185.         wuS.varTypes.push_back(tS("scalar"));
  186.         wuS.varNames.push_back(tS("sum_1"));
  187.         wuS.varTypes.push_back(tS("scalar"));
  188.  
  189.         wuS.pNames.push_back(tS("A_p"));
  190.         wuS.pNames.push_back(tS("A_m"));
  191.         wuS.pNames.push_back(tS("tau_p"));
  192.         wuS.pNames.push_back(tS("tau_m"));
  193.         wuS.pNames.push_back(tS("tau"));
  194.  
  195.         // Pre-synaptic spikes code:         
  196.         wuS.evntThreshold= tS("1");
  197.         wuS.simCodeEvnt= tS("scalar deps;\n\
  198.         scalar ts_1spike;\n\
  199.         scalar ts_2spike;\n\
  200.         scalar ts_3spike;\n\
  201.         if ((fabs(t - $(sT_pre)))<= (1.01*DT)){     \n\
  202.             if ($(flag_1)==0)  { $(spike_1t)=$(sT_pre); $(flag_1)=1; }  \n\
  203.             else if ($(flag_2)==0){\
  204.                 $(spike_2t)=$(sT_pre); $(flag_2)=1;\
  205.             }\n\
  206.             else if ($(flag_3)==0){\
  207.                 $(spike_3t)=$(sT_pre);$(flag_3)=1;\
  208.             }\n\
  209.         }\n\
  210.         \n\
  211.         $(epsilon_1t)=$(epsilon_1);\n\
  212.         $(epsilon_2t)=$(epsilon_2);\n\
  213.         $(epsilon_3t)=$(epsilon_3);\n\
  214.         $(epsilon_p)=$(epsilon);\n\
  215.         $(epsilon_1)= 0;\n\
  216.         $(epsilon_2)= 0;\n\
  217.         $(epsilon_3)= 0;\n\
  218.         ts_1spike = t - $(spike_1t);\n\
  219.         ts_2spike = t - $(spike_2t);\n\
  220.         ts_3spike = t - $(spike_3t);\n\
  221.         \n\
  222.         if (ts_1spike>0 ) {\n\
  223.             if ($(epsilon_1t)>0 || ts_1spike < 2 * $(tau)) {\n\
  224.                 $(epsilon_1) = $(epsilon_1t) + DT  * ((1/$(tau)) * (1 - (ts_1spike)/$(tau))* (exp(1 - (ts_1spike)/$(tau))));\n\
  225.             }\n\
  226.             else {\n\
  227.                 $(epsilon_1)=0;\n\
  228.                 $(flag_1)=0;\n\
  229.             }\n\
  230.         }\n\
  231.         if (ts_2spike>0) {\n\
  232.             if ($(epsilon_2t)>0 || ts_2spike < 2 * $(tau)) {\n\
  233.                 $(epsilon_2) = $(epsilon_2t) + DT  * ((1/$(tau)) * (1 - (ts_2spike)/$(tau)) * (exp(1 - (ts_2spike)/$(tau))));\n\
  234.             }\n\
  235.             else {\n\
  236.                 $(epsilon_2)=0;\n\
  237.                 $(flag_2)=0;\n\
  238.                 \n\
  239.             }\n\
  240.         }\n\
  241.         if (ts_3spike>0 ) {\n\
  242.             if ($(epsilon_3t)>0 || ts_3spike < 2 * $(tau)) {\n\
  243.                 $(epsilon_3) = $(epsilon_3t) + DT  * ((1/$(tau)) * (1 - (ts_3spike)/$(tau))* (exp(1 - (ts_3spike)/$(tau))));\n\
  244.             }\n\
  245.             else {\n\
  246.                 $(epsilon_3)=0;\n\
  247.                 $(flag_3)=0;\n\
  248.             }\n\
  249.         }\n\
  250.         $(epsilon)=$(epsilon_1) + $(epsilon_2) + $(epsilon_3);\n\
  251.         deps = $(epsilon) - ($(epsilon_p)); \n\
  252.         $(variazione)=deps; \n\
  253.         \n\
  254.         \n\
  255.         $(j)=$(w)*(deps);\n\
  256.         if ($(flag_1)==0 && $(flag_2)==0 && $(flag_3)==0) {\n\
  257.             $(addtoinSyn)=  -$(sum_1);\n\
  258.             $(sum_1)=0; \n\
  259.         }\n\
  260.         else {\
  261.             $(addtoinSyn)=$(w)*(deps); $(sum_1)=$(sum_1) + $(j); }\n\
  262.             $(updatelinsyn);\n\
  263.         if (fmod(t,3000.0) < 1e-4) $(w)= 0.95*$(w);");       
  264.         wuS.needPreSt=TRUE;
  265.         wuS.needPostSt=TRUE;
  266.         weightUpdateModels.push_back(wuS);
  267.         unsigned int NO_LEARNING = weightUpdateModels.size() - 1;
  268.        
  269.         // EXPONENTIAL STDP SYNAPSE
  270.         weightUpdateModel wuS2;
  271.  
  272.         wuS2.varNames.clear();
  273.         wuS2.varTypes.clear();
  274.         wuS2.pNames.clear();
  275.         wuS2.dpNames.clear();
  276.  
  277.         wuS2.varNames.push_back(tS("w"));
  278.         wuS2.varTypes.push_back(tS("scalar"));
  279.  
  280.         // Variables that describe the impulse response
  281.         wuS2.varNames.push_back(tS("epsilon_p"));              
  282.         wuS2.varTypes.push_back(tS("scalar"));
  283.         wuS2.varNames.push_back(tS("epsilon"));    
  284.         wuS2.varTypes.push_back(tS("scalar"));
  285.         wuS2.varNames.push_back(tS("epsilon_1"));              
  286.         wuS2.varTypes.push_back(tS("scalar"));
  287.         wuS2.varNames.push_back(tS("epsilon_2"));              
  288.         wuS2.varTypes.push_back(tS("scalar"));
  289.         wuS2.varNames.push_back(tS("epsilon_3"));              
  290.         wuS2.varTypes.push_back(tS("scalar"));
  291.         wuS2.varNames.push_back(tS("epsilon_1t"));             
  292.         wuS2.varTypes.push_back(tS("scalar"));
  293.         wuS2.varNames.push_back(tS("epsilon_2t"));             
  294.         wuS2.varTypes.push_back(tS("scalar"));
  295.         wuS2.varNames.push_back(tS("epsilon_3t"));             
  296.         wuS2.varTypes.push_back(tS("scalar"));
  297.         wuS2.varNames.push_back(tS("spike_1t"));               
  298.         wuS2.varTypes.push_back(tS("scalar"));  
  299.         wuS2.varNames.push_back(tS("spike_2t"));                   
  300.         wuS2.varTypes.push_back(tS("scalar"));
  301.         wuS2.varNames.push_back(tS("spike_3t"));                   
  302.         wuS2.varTypes.push_back(tS("scalar"));
  303.         wuS2.varNames.push_back(tS("flag_1"));                 
  304.         wuS2.varTypes.push_back(tS("scalar"));
  305.         wuS2.varNames.push_back(tS("flag_2"));                 
  306.         wuS2.varTypes.push_back(tS("scalar"));
  307.         wuS2.varNames.push_back(tS("flag_3"));
  308.         wuS2.varTypes.push_back(tS("scalar"));
  309.  
  310.        
  311.         // Debug variables
  312.         wuS2.varNames.push_back(tS("variazione"));
  313.         wuS2.varTypes.push_back(tS("scalar"));
  314.         wuS2.varNames.push_back(tS("j"));
  315.         wuS2.varTypes.push_back(tS("scalar"));
  316.         wuS2.varNames.push_back(tS("val_prec"));
  317.         wuS2.varTypes.push_back(tS("scalar"));
  318.         wuS2.varNames.push_back(tS("sum_1"));
  319.         wuS2.varTypes.push_back(tS("scalar"));  
  320.  
  321.         wuS2.pNames.push_back(tS("A_p"));
  322.         wuS2.pNames.push_back(tS("A_m"));
  323.         wuS2.pNames.push_back(tS("tau_p"));
  324.         wuS2.pNames.push_back(tS("tau_m"));
  325.         wuS2.pNames.push_back(tS("tau"));
  326.  
  327.         // Pre-synaptic spikes code:
  328.         wuS2.simCode= tS("scalar dt=t - $(sT_post); \n\
  329.             scalar dw; \n\
  330.             $(val_prec)=$(sT_pre);\n\
  331.             if (dt<0.0) dw = $(A_p) * exp(dt/($(tau_p))) ; \n\
  332.             else dw = $(A_m) * exp(-(dt/($(tau_m)))); \n\
  333.             $(w)=$(w)+dw; \n\
  334.             if (($(w))>= 12) $(w)=12.0; \n\
  335.             else if (($(w))<=-12) $(w)=-12;\
  336.         ");
  337.          
  338.         wuS2.evntThreshold= tS("1");
  339.         wuS2.simCodeEvnt= tS("scalar deps;\n\
  340.         scalar ts_1spike;\n\
  341.         scalar ts_2spike;\n\
  342.         scalar ts_3spike;\n\
  343.         if ((fabs(t - $(sT_pre)))<= (1.01*DT)){     \n\
  344.             if ($(flag_1)==0)  { $(spike_1t)=$(sT_pre); $(flag_1)=1; }  \n\
  345.             else if ($(flag_2)==0){\
  346.                 $(spike_2t)=$(sT_pre); $(flag_2)=1;\
  347.             }\n\
  348.             else if ($(flag_3)==0){\
  349.                 $(spike_3t)=$(sT_pre);$(flag_3)=1;\
  350.             }\n\
  351.         }\n\
  352.         \n\
  353.         $(epsilon_1t)=$(epsilon_1);\n\
  354.         $(epsilon_2t)=$(epsilon_2);\n\
  355.         $(epsilon_3t)=$(epsilon_3);\n\
  356.         $(epsilon_p)=$(epsilon);\n\
  357.         $(epsilon_1)= 0;\n\
  358.         $(epsilon_2)= 0;\n\
  359.         $(epsilon_3)= 0;\n\
  360.         ts_1spike = t - $(spike_1t);\n\
  361.         ts_2spike = t - $(spike_2t);\n\
  362.         ts_3spike = t - $(spike_3t);\n\
  363.         \n\
  364.         if (ts_1spike>0 ) {\n\
  365.             if ($(epsilon_1t)>0 || ts_1spike < 2 * $(tau)) {\n\
  366.                 $(epsilon_1) = $(epsilon_1t) + DT  * ((1/$(tau)) * (1 - (ts_1spike)/$(tau))* (exp(1 - (ts_1spike)/$(tau))));\n\
  367.             }\n\
  368.             else {\n\
  369.                 $(epsilon_1)=0;\n\
  370.                 $(flag_1)=0;\n\
  371.             }\n\
  372.         }\n\
  373.         if (ts_2spike>0) {\n\
  374.             if ($(epsilon_2t)>0 || ts_2spike < 2 * $(tau)) {\n\
  375.                 $(epsilon_2) = $(epsilon_2t) + DT  * ((1/$(tau)) * (1 - (ts_2spike)/$(tau)) * (exp(1 - (ts_2spike)/$(tau))));\n\
  376.             }\n\
  377.             else {\n\
  378.                 $(epsilon_2)=0;\n\
  379.                 $(flag_2)=0;\n\
  380.                 \n\
  381.             }\n\
  382.         }\n\
  383.         if (ts_3spike>0 ) {\n\
  384.             if ($(epsilon_3t)>0 || ts_3spike < 2 * $(tau)) {\n\
  385.                 $(epsilon_3) = $(epsilon_3t) + DT  * ((1/$(tau)) * (1 - (ts_3spike)/$(tau))* (exp(1 - (ts_3spike)/$(tau))));\n\
  386.             }\n\
  387.             else {\n\
  388.                 $(epsilon_3)=0;\n\
  389.                 $(flag_3)=0;\n\
  390.             }\n\
  391.         }\n\
  392.         $(epsilon)=$(epsilon_1) + $(epsilon_2) + $(epsilon_3);\n\
  393.         deps = $(epsilon) - ($(epsilon_p)); \n\
  394.         $(variazione)=deps; \n\
  395.         \n\
  396.         \n\
  397.         $(j)=$(w)*(deps);\n\
  398.         if ($(flag_1)==0 && $(flag_2)==0 && $(flag_3)==0) {\n\
  399.             $(addtoinSyn)=  -$(sum_1);\n\
  400.             $(sum_1)=0; \n\
  401.         }\n\
  402.         else {\
  403.             $(addtoinSyn)=$(w)*(deps); $(sum_1)=$(sum_1) + $(j); }\n\
  404.             $(updatelinsyn);\n\
  405.         if (fmod(t,3000.0) < 1e-4) $(w)= 0.95*$(w);");
  406.          
  407.          
  408.         wuS2.simLearnPost=tS("scalar dt=$(sT_pre)- t; \n\
  409.         scalar dw; \n\
  410.         if (dt<0.0) dw= $(A_p)*exp(dt/$(tau_p)); \n\
  411.         else dw=$(A_m)*exp(-(dt/$(tau_m))); \n\
  412.         $(w)=$(w)+dw; \n\
  413.         if ($(w)>=12.0) $(w)=12.0; \n\
  414.         else if ($(w)<=-12.0) $(w)=-12.0;");
  415.          
  416.         wuS2.needPreSt=TRUE;
  417.         wuS2.needPostSt=TRUE;
  418.         weightUpdateModels.push_back(wuS2);
  419.         unsigned int EXP_STDP = weightUpdateModels.size()-1;
  420.        
  421.         /* // TRIANGULAR STDP SYNAPSE
  422.         weightUpdateModel wuS3;
  423.  
  424.         wuS3.varNames.clear();
  425.         wuS3.varTypes.clear();
  426.         wuS3.pNames.clear();
  427.         wuS3.dpNames.clear();
  428.  
  429.         wuS3.varNames.push_back(tS("w"));
  430.         wuS3.varTypes.push_back(tS("scalar"));
  431.  
  432.         // Variables that describe the impulse response
  433.         wuS3.varNames.push_back(tS("epsilon_p"));              
  434.         wuS3.varTypes.push_back(tS("scalar"));
  435.         wuS3.varNames.push_back(tS("epsilon"));    
  436.         wuS3.varTypes.push_back(tS("scalar"));
  437.         wuS3.varNames.push_back(tS("epsilon_1"));              
  438.         wuS3.varTypes.push_back(tS("scalar"));
  439.         wuS3.varNames.push_back(tS("epsilon_2"));              
  440.         wuS3.varTypes.push_back(tS("scalar"));
  441.         wuS3.varNames.push_back(tS("epsilon_3"));              
  442.         wuS3.varTypes.push_back(tS("scalar"));
  443.         wuS3.varNames.push_back(tS("epsilon_1t"));             
  444.         wuS3.varTypes.push_back(tS("scalar"));
  445.         wuS3.varNames.push_back(tS("epsilon_2t"));             
  446.         wuS3.varTypes.push_back(tS("scalar"));
  447.         wuS3.varNames.push_back(tS("epsilon_3t"));             
  448.         wuS3.varTypes.push_back(tS("scalar"));
  449.         wuS3.varNames.push_back(tS("spike_1t"));               
  450.         wuS3.varTypes.push_back(tS("scalar"));  
  451.         wuS3.varNames.push_back(tS("spike_2t"));                   
  452.         wuS3.varTypes.push_back(tS("scalar"));
  453.         wuS3.varNames.push_back(tS("spike_3t"));                   
  454.         wuS3.varTypes.push_back(tS("scalar"));
  455.         wuS3.varNames.push_back(tS("flag_1"));                 
  456.         wuS3.varTypes.push_back(tS("scalar"));
  457.         wuS3.varNames.push_back(tS("flag_2"));                 
  458.         wuS3.varTypes.push_back(tS("scalar"));
  459.         wuS3.varNames.push_back(tS("flag_3"));
  460.         wuS3.varTypes.push_back(tS("scalar"));
  461.  
  462.        
  463.         // Debug variables
  464.         wuS3.varNames.push_back(tS("variazione"));
  465.         wuS3.varTypes.push_back(tS("scalar"));
  466.         wuS3.varNames.push_back(tS("j"));
  467.         wuS3.varTypes.push_back(tS("scalar"));
  468.         wuS3.varNames.push_back(tS("val_prec"));
  469.         wuS3.varTypes.push_back(tS("scalar"));
  470.         wuS3.varNames.push_back(tS("sum_1"));
  471.         wuS3.varTypes.push_back(tS("scalar"));  
  472.  
  473.  
  474.         wuS3.pNames.push_back(tS("A_p"));           // massimo nullo
  475.         wuS3.pNames.push_back(tS("A_m"));           // minimumo nullo
  476.         wuS3.pNames.push_back(tS("w_max"));         // massima variazione di w
  477.         wuS3.pNames.push_back(tS("dt_max"));        // valore di dt per il quale w = w_max
  478.         wuS3.pNames.push_back(tS("tau"));           // tau della risposta all'impulso
  479.         wuS3.pNames.push_back(tS("dw_m"));          // valore di dw per dt < A_m
  480.         wuS3.pNames.push_back(tS("dw_p"));          // valore di dw per dt > A_p
  481.  
  482.         // Pre-synaptic spikes code:
  483.         wuS3.simCode= tS("scalar dt = t - $(sT_post); \n\
  484.             scalar dw; \n\
  485.             $(val_prec)=$(sT_pre);\n\
  486.             if(dt < $(A_m)) dw = $(dw_m) ; \n\
  487.             else{\n\
  488.                 if(dt > $(A_p)) dw = $(dw_p) ; \n\
  489.                 else{\n\
  490.                     if((dt >= $(A_m)) && (dt <= $(dt_max))) dw = (dt - $(A_m)) * ($(w_max) / ($(dt_max) - $(A_m)));\n\
  491.                     else dw = (dt - $(A_p)) * ($(w_max) / ($(dt_max) - $(A_p)));\n\
  492.                 }\n\
  493.             }\n\
  494.             $(w)=$(w)+dw;\n\
  495.             if($(w) >= 12) $(w) = 12;\n\
  496.             else if($(w) <= -12) $(w) = -12;\n\
  497.         ");
  498.          
  499.         wuS3.evntThreshold= tS("1");
  500.         wuS3.simCodeEvnt= tS("scalar deps;\n\
  501.         scalar ts_1spike;\n\
  502.         scalar ts_2spike;\n\
  503.         scalar ts_3spike;\n\
  504.         if ((fabs(t - $(sT_pre)))<= (1.01*DT)){     \n\
  505.             if ($(flag_1)==0)  { $(spike_1t)=$(sT_pre); $(flag_1)=1; }  \n\
  506.             else if ($(flag_2)==0){\
  507.                 $(spike_2t)=$(sT_pre); $(flag_2)=1;\
  508.             }\n\
  509.             else if ($(flag_3)==0){\
  510.                 $(spike_3t)=$(sT_pre);$(flag_3)=1;\
  511.             }\n\
  512.         }\n\
  513.         \n\
  514.         $(epsilon_1t)=$(epsilon_1);\n\
  515.         $(epsilon_2t)=$(epsilon_2);\n\
  516.         $(epsilon_3t)=$(epsilon_3);\n\
  517.         $(epsilon_p)=$(epsilon);\n\
  518.         $(epsilon_1)= 0;\n\
  519.         $(epsilon_2)= 0;\n\
  520.         $(epsilon_3)= 0;\n\
  521.         ts_1spike = t - $(spike_1t);\n\
  522.         ts_2spike = t - $(spike_2t);\n\
  523.         ts_3spike = t - $(spike_3t);\n\
  524.         \n\
  525.         if (ts_1spike>0 ) {\n\
  526.             if ($(epsilon_1t)>0 || ts_1spike < 2 * $(tau)) {\n\
  527.                 $(epsilon_1) = $(epsilon_1t) + DT  * ((1/$(tau)) * (1 - (ts_1spike)/$(tau))* (exp(1 - (ts_1spike)/$(tau))));\n\
  528.             }\n\
  529.             else {\n\
  530.                 $(epsilon_1)=0;\n\
  531.                 $(flag_1)=0;\n\
  532.             }\n\
  533.         }\n\
  534.         if (ts_2spike>0) {\n\
  535.             if ($(epsilon_2t)>0 || ts_2spike < 2 * $(tau)) {\n\
  536.                 $(epsilon_2) = $(epsilon_2t) + DT  * ((1/$(tau)) * (1 - (ts_2spike)/$(tau)) * (exp(1 - (ts_2spike)/$(tau))));\n\
  537.             }\n\
  538.             else {\n\
  539.                 $(epsilon_2)=0;\n\
  540.                 $(flag_2)=0;\n\
  541.                 \n\
  542.             }\n\
  543.         }\n\
  544.         if (ts_3spike>0 ) {\n\
  545.             if ($(epsilon_3t)>0 || ts_3spike < 2 * $(tau)) {\n\
  546.                 $(epsilon_3) = $(epsilon_3t) + DT  * ((1/$(tau)) * (1 - (ts_3spike)/$(tau))* (exp(1 - (ts_3spike)/$(tau))));\n\
  547.             }\n\
  548.             else {\n\
  549.                 $(epsilon_3)=0;\n\
  550.                 $(flag_3)=0;\n\
  551.             }\n\
  552.         }\n\
  553.         $(epsilon)=$(epsilon_1) + $(epsilon_2) + $(epsilon_3);\n\
  554.         deps = $(epsilon) - ($(epsilon_p)); \n\
  555.         $(variazione)=deps; \n\
  556.         \n\
  557.         \n\
  558.         $(j)=$(w)*(deps);\n\
  559.         if ($(flag_1)==0 && $(flag_2)==0 && $(flag_3)==0) {\n\
  560.             $(addtoinSyn)=  -$(sum_1);\n\
  561.             $(sum_1)=0; \n\
  562.         }\n\
  563.         else {\
  564.             $(addtoinSyn)=$(w)*(deps); $(sum_1)=$(sum_1) + $(j); }\n\
  565.             $(updatelinsyn);\n\
  566.         if (fmod(t,3000.0) < 1e-4) $(w)= 0.95*$(w);");
  567.          
  568.          
  569.         wuS3.simLearnPost=tS("scalar dt=$(sT_pre)- t; \n\
  570.         scalar dw; \n\
  571.         $(val_prec)=$(sT_pre);\n\
  572.         if(dt < $(A_m)) dw = $(dw_m) ; \n\
  573.         else{\n\
  574.             if(dt > $(A_p)) dw = $(dw_p) ; \n\
  575.             else{\n\
  576.                 if((dt >= $(A_m)) && (dt <= $(dt_max))) dw = (dt - $(A_m)) * ($(w_max) / ($(dt_max) - $(A_m)));\n\
  577.                 else dw = (dt - $(A_p)) * ($(w_max) / ($(dt_max) - $(A_p)));\n\
  578.             }\n\
  579.         }\n\
  580.         $(w)=$(w)+dw; \n\
  581.         if($(w) >= 12) $(w) = 12;\n\
  582.         else if($(w) <= -12) $(w) = -12;\n\
  583.         ");
  584.          
  585.         wuS3.needPreSt=TRUE;
  586.         wuS3.needPostSt=TRUE;
  587.         weightUpdateModels.push_back(wuS3);
  588.         unsigned int TR_STDP = weightUpdateModels.size()-1; */
  589.     // -----------------------------------------------------------------------------------------------------------------------------
  590.    
  591.     model.setName("Classifier");
  592.    
  593.     // PARAMETERS
  594.         double Input_Layer_Params_Neuron[4] = {
  595.             0.0,        // 0 - a
  596.             -0.1,       // 1 - b
  597.             -55,        // 2 - c
  598.             0           // 3 - d
  599.         };
  600.        
  601.         double LSN_Params_Neuron[4] = {
  602.             0.02,       // 0 - a
  603.             -0.1,       // 1 - b
  604.             -55,        // 2 - c
  605.             6           // 3 - d
  606.         };
  607.        
  608.         double SN_Params_Neuron[1] = { 
  609.             5000        // 0 - decay
  610.         };
  611.            
  612.                
  613.         double LSN_No_Learning_Params_Syn[5] = {
  614.             0.4,        // 1 - A+
  615.             -0.4,       // 2 - A-
  616.             20.0,       // 3 - tau+
  617.             10.0,       // 4 - tau-
  618.             5.0         // 5 - tau
  619.         };
  620.        
  621.         double Input_LSN_No_Learning_Params_Syn[5] = {
  622.             0.4,        // 1 - A+
  623.             -0.4,       // 2 - A-
  624.             20.0,       // 3 - tau+
  625.             10.0,       // 4 - tau-
  626.             5.0         // 5 - tau
  627.         };
  628.        
  629.         double LSN_SNs_No_Learning_Params_Syn[5] = {
  630.             0.4,        // 1 - A+
  631.             -0.4,       // 2 - A-
  632.             20.0,       // 3 - tau+
  633.             10.0,       // 4 - tau-
  634.             5.0         // 5 - tau
  635.         };
  636.     // -----------------------------------------------------------------------------------------------------------------------------
  637.    
  638.     // INITIAL CONDITIONS
  639.         double Input_Init_Neuron[4] = {
  640.             -65.0,      // 0 - V
  641.             -20.0,      // 1 - U
  642.             0.0,        // 2 - Iext
  643.             0.0         // 3 - y
  644.         };
  645.        
  646.         double LSN_Init_Neuron[4] = {
  647.             -60.0,      // 0 - V
  648.             6.0,        // 1 - U
  649.             0.0,        // 2 - Iext
  650.             0.0         // 3 - y
  651.         };
  652.        
  653.         double SN_Init_Neuron[8] = {
  654.             -70,        // 0 - V
  655.             0,          // 1 - Iext
  656.             0,          // 2 - ISyn
  657.             0,          // 3 - Vpre
  658.             0,          // 4 - Ipre
  659.             0,          // 5 - gain
  660.             0,          // 6 - type = {0 = standard, 1 = square, 2 = sameness}
  661.             1           // 7 - integration flag
  662.         };
  663.        
  664.         double LSN_Init_Synapse_Excitatory_No_Learning[19] = {
  665.             10,         // 0 - w
  666.             0,          // 1 - epsilon_p
  667.             0,          // 2 - epsilon
  668.             0,          // 3 - epsilon_1
  669.             0,          // 4 - epsilon_2
  670.             0,          // 5 - epsilon_3
  671.             0,          // 6 - epsilon_1t
  672.             0,          // 7 - epsilon_2t
  673.             0,          // 8 - epsilon_3t
  674.             -100,       // 9 - spike_1t
  675.             -100,       // 10 - spike_2t
  676.             -100,       // 11 - spike_3t
  677.             0,          // 12 - flag_1
  678.             0,          // 13 - flag_2
  679.             0,          // 14 - flag_3
  680.             0,          // 15 - variazione
  681.             0,          // 16 - j
  682.             0,          // 17 - val_prec
  683.             0           // 18 - sum_1
  684.         };
  685.        
  686.         double LSN_Init_Synapse_Inhibitory_No_Learning[19] = {
  687.             -10,        // 0 - w
  688.             0,          // 1 - epsilon_p
  689.             0,          // 2 - epsilon
  690.             0,          // 3 - epsilon_1
  691.             0,          // 4 - epsilon_2
  692.             0,          // 5 - epsilon_3
  693.             0,          // 6 - epsilon_1t
  694.             0,          // 7 - epsilon_2t
  695.             0,          // 8 - epsilon_3t
  696.             -100,       // 9 - spike_1t
  697.             -100,       // 10 - spike_2t
  698.             -100,       // 11 - spike_3t
  699.             0,          // 12 - flag_1
  700.             0,          // 13 - flag_2
  701.             0,          // 14 - flag_3
  702.             0,          // 15 - variazione
  703.             0,          // 16 - j
  704.             0,          // 17 - val_prec
  705.             0           // 18 - sum_1
  706.         };
  707.        
  708.         double LSN_Init_Synapse_No_Learning[19] = {
  709.             0,          // 0 - w
  710.             0,          // 1 - epsilon_p
  711.             0,          // 2 - epsilon
  712.             0,          // 3 - epsilon_1
  713.             0,          // 4 - epsilon_2
  714.             0,          // 5 - epsilon_3
  715.             0,          // 6 - epsilon_1t
  716.             0,          // 7 - epsilon_2t
  717.             0,          // 8 - epsilon_3t
  718.             -100,       // 9 - spike_1t
  719.             -100,       // 10 - spike_2t
  720.             -100,       // 11 - spike_3t
  721.             0,          // 12 - flag_1
  722.             0,          // 13 - flag_2
  723.             0,          // 14 - flag_3
  724.             0,          // 15 - variazione
  725.             0,          // 16 - j
  726.             0,          // 17 - val_prec
  727.             0           // 18 - sum_1
  728.         };
  729.        
  730.         double Input_LSN_No_Learning[19] = {
  731.             0,          // 0 - w
  732.             0,          // 1 - epsilon_p
  733.             0,          // 2 - epsilon
  734.             0,          // 3 - epsilon_1
  735.             0,          // 4 - epsilon_2
  736.             0,          // 5 - epsilon_3
  737.             0,          // 6 - epsilon_1t
  738.             0,          // 7 - epsilon_2t
  739.             0,          // 8 - epsilon_3t
  740.             -100,       // 9 - spike_1t
  741.             -100,       // 10 - spike_2t
  742.             -100,       // 11 - spike_3t
  743.             0,          // 12 - flag_1
  744.             0,          // 13 - flag_2
  745.             0,          // 14 - flag_3
  746.             0,          // 15 - variazione
  747.             0,          // 16 - j
  748.             0,          // 17 - val_prec
  749.             0           // 18 - sum_1
  750.         };
  751.            
  752.         double LSN_SNs_No_Learning[19] = {
  753.             0,          // 0 - w
  754.             0,          // 1 - epsilon_p
  755.             0,          // 2 - epsilon
  756.             0,          // 3 - epsilon_1
  757.             0,          // 4 - epsilon_2
  758.             0,          // 5 - epsilon_3
  759.             0,          // 6 - epsilon_1t
  760.             0,          // 7 - epsilon_2t
  761.             0,          // 8 - epsilon_3t
  762.             -100,       // 9 - spike_1t
  763.             -100,       // 10 - spike_2t
  764.             -100,       // 11 - spike_3t
  765.             0,          // 12 - flag_1
  766.             0,          // 13 - flag_2
  767.             0,          // 14 - flag_3
  768.             0,          // 15 - variazione
  769.             0,          // 16 - j
  770.             0,          // 17 - val_prec
  771.             0           // 18 - sum_1
  772.         };
  773.     // -----------------------------------------------------------------------------------------------------------------------------
  774.    
  775.     // MODEL DEFINITION
  776.    
  777.         // INPUT LAYER IMPLEMENTATION
  778.         // 1. Neurons populations
  779.         model.addNeuronPopulation("INPUT",(int)NEURONS_PER_PATTERN,IZHIKEVICH_VAR_INPUT,Input_Layer_Params_Neuron,Input_Init_Neuron);
  780.         // -----------------------------------------------------------------------------------------------------------------------------
  781.        
  782.         // LSN IMPLEMENTATION
  783.         // 1. Neurons populations
  784.         model.addNeuronPopulation("LSN_EXC",(int)DIM_EXC,IZHIKEVICH_VAR_INPUT,LSN_Params_Neuron,LSN_Init_Neuron);
  785.         model.addNeuronPopulation("LSN_INH",(int)DIM_INH,IZHIKEVICH_VAR_INPUT,LSN_Params_Neuron,LSN_Init_Neuron);
  786.         // 2. Internal connections
  787.         model.addSynapsePopulation("LSN_EXC_EXC",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_EXC","LSN_EXC",LSN_Init_Synapse_Excitatory_No_Learning,LSN_No_Learning_Params_Syn,NULL,NULL);
  788.         model.addSynapsePopulation("LSN_INH_INH",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_INH","LSN_INH",LSN_Init_Synapse_Inhibitory_No_Learning,LSN_No_Learning_Params_Syn,NULL,NULL);
  789.         model.addSynapsePopulation("LSN_EXC_INH",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_EXC","LSN_INH",LSN_Init_Synapse_No_Learning,LSN_No_Learning_Params_Syn,NULL,NULL);
  790.         model.addSynapsePopulation("LSN_INH_EXC",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_INH","LSN_EXC",LSN_Init_Synapse_No_Learning,LSN_No_Learning_Params_Syn,NULL,NULL);   
  791.         // -----------------------------------------------------------------------------------------------------------------------------
  792.        
  793.         // SNs IMPLEMENTATION
  794.         // 1. Neurons populations
  795.         model.addNeuronPopulation("SN",(int)N_CLASSES,SUMNEURON,SN_Params_Neuron,SN_Init_Neuron);
  796.         // -----------------------------------------------------------------------------------------------------------------------------
  797.        
  798.         // INTER-CONNECTIONS AMONG NEURONS POPULATIONS
  799.         // Check synapse type with own parameters!!!
  800.         model.addSynapsePopulation("INPUT_LSN_EXC",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"INPUT","LSN_EXC",Input_LSN_No_Learning,Input_LSN_No_Learning_Params_Syn,NULL,NULL);
  801.         model.addSynapsePopulation("INPUT_LSN_INH",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"INPUT","LSN_INH",Input_LSN_No_Learning,Input_LSN_No_Learning_Params_Syn,NULL,NULL);
  802.        
  803.         model.addSynapsePopulation("LSN_EXC_SNs",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_EXC","SN",LSN_SNs_No_Learning,LSN_SNs_No_Learning_Params_Syn,NULL,NULL);
  804.         model.addSynapsePopulation("LSN_INH_SNs",NO_LEARNING,ALLTOALL,INDIVIDUALG,NO_DELAY,POST_SYN_PERSONALIZED,"LSN_INH","SN",LSN_SNs_No_Learning,LSN_SNs_No_Learning_Params_Syn,NULL,NULL);
  805.        
  806.     // -----------------------------------------------------------------------------------------------------------------------------
  807.    
  808.     model.finalize();
  809. }
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement
Public Pastes
Advertisement
We use cookies for various purposes including analytics. By continuing to use Pastebin, you agree to our use of cookies as described in the Cookies Policy.  OK, I Understand
Not a member of Pastebin yet?
Sign Up, it unlocks many cool features!