You need to enable JavaScript to run this app. Python中solve_ivp如何处理相邻分段同时跨阈值的触发事件
优惠活动
大模型
产品
解决方案
定价
更多

Python中solve_ivp如何处理相邻分段同时跨阈值的触发事件

一维多分段神经系统仿真的事件触发逻辑实现

核心实现逻辑

  • 使用 solve_ivp 内置的事件检测功能,当任意相邻的两个分段活动同时超过阈值时,自动终止当前求解过程
  • 事件触发后,修改对应突触的强度参数b、c,将触发时刻的活动状态作为新的初始值,从触发时刻继续向后求解
  • 循环执行上述流程,直到仿真时长达到设定的总结束时间

完整可运行代码示例

import numpy as np
from scipy.integrate import solve_ivp

# ---------------------- 自定义参数部分 ----------------------
seg = 8 # 分段总数
a = 0.3 # 自定义常数
init_b = 0.2 # 突触b的初始值
init_c = 0.2 # 突触c的初始值
tend = 50 # 总仿真时长
dt = 0.1 # 输出时间步长
threshold = 0.7 # 活动阈值
# 自定义激活函数,示例为sigmoid,可替换为你需要的函数
f = lambda x: 1/(1 + np.exp(-x)) 

# 公共可变参数:seg个分段对应seg-1个相邻突触,每个突触对应一组b、c
b = [init_b] * (seg - 1)
c = [init_c] * (seg - 1)
# ----------------------------------------------------------

def event(t, x):
    # 检测条件:任意相邻对min(Ei, Ei+1) 从小于阈值变为大于阈值
    trigger_list = []
    for i in range(seg - 1):
        trigger_list.append(min(x[i], x[i+1]) - threshold)
    # 返回所有触发值的最小值,只要有一个过零点就会触发事件
    return min(trigger_list)
# 事件配置:触发即终止求解,仅检测从负到正的过零点(刚满足条件的时刻)
event.terminal = True
event.direction = 1

def model(t, x):
    dE = np.zeros(seg)
    for i in range(seg):
        input_sum = a * x[i]
        # 加上左邻居的输入
        if i > 0:
            input_sum += b[i-1] * x[i-1]
        # 加上右邻居的输入
        if i < seg - 1:
            input_sum += c[i] * x[i+1]
        dE[i] = f(input_sum)
    return dE

if __name__ == "__main__":
    t0 = 0
    x0 = np.zeros(seg)
    # 存储所有仿真结果
    result_t = []
    result_E = []

    while True:
        t_eval = np.arange(t0, tend, dt)
        sol = solve_ivp(model, [t0, tend], x0, t_eval=t_eval, events=event)
        # 保存本次求解的结果
        result_t.append(sol.t)
        result_E.append(sol.y)

        # 求解完成,退出循环
        if sol.status == 0:
            break
        # 事件触发,修改突触参数
        elif sol.status == 1:
            trigger_x = sol.y[:, -1]
            # 找到触发事件的相邻对下标
            trigger_idx = [i for i in range(seg-1) if min(trigger_x[i], trigger_x[i+1]) >= threshold]
            # 修改对应突触的b、c值,示例为乘以1.5,可替换为你的修改规则
            for idx in trigger_idx:
                b[idx] *= 1.5
                c[idx] *= 1.5
            # 更新初始状态和起始时间
            t0 = sol.t[-1]
            x0 = sol.y[:, -1]
    
    # 拼接所有仿真结果
    total_t = np.concatenate(result_t)
    total_E = np.concatenate(result_E, axis=1)
    # 后续可对total_t、total_E做可视化或分析

注意事项

  • 代码中激活函数f、突触修改规则、所有自定义参数都可以根据你的实际需求调整
  • 代码默认处理的是两端开环的连接(首尾分段只有单侧邻居),如果需要环形连接,删除model函数中判断边界的if条件,按环形规则取邻居下标即可
  • 如果需要同时处理多个相邻对同时触发事件的情况,代码中已经用列表trigger_idx收集所有触发的下标,直接批量修改即可
  • 如果需要记录每次事件的触发时刻、修改后的参数值,在事件触发的分支中添加打印或存储逻辑即可

内容的提问来源于stack exchange,提问作者ZaigoChujyoh

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.16 03:36:07