大规模神经网络拓扑结构对抗干扰特性的机制研究：基于Hodgkin-Huxley模型和NW小世界网络的仿真分析

本研究针对现有神经网络抗干扰研究多局限于小规模简化模型的问题，构建了包含500个神经元的大规模NW小世界网络模型，系统探讨了网络规模和连接复杂度对抗干扰特性的影响机制。研究发现，网络规模扩大和拓扑连接复杂化能显著增强神经网络抗干扰性能，其中复杂NW小世界网络在噪声干扰环境下表现最优，为人工神经网络拓扑设计和抗干扰能力提升提供了理论参考。

　　

大脑作为人体最复杂重要的器官，其结构和功能的复杂性远超现有技术能解析的任何自然或人工系统。从神经电现象的发现到多尺度网络动力学建模，科学家对大脑功能机制的探索始终围绕"观察-建模-验证"的螺旋式路径演进。这一过程经历了近两个世纪的积累，逐渐揭示了神经系统的基本规律。

尽管已有研究取得了重要进展，但当前神经网络抗干扰特性研究仍存在明显局限。大多数工作集中于小规模网络和简化模型，缺乏对大规模网络扩展和拓扑复杂性影响机制的系统讨论。简化神经元模型（如积分发放模型）难以真实反映生物神经元的电生理特性及其对网络动力学的调控作用，噪声的耦合干扰机制也未能得到充分量化。这些问题严重制约了我们对真实神经网络在复杂环境中信息处理能力的理解。

为了解决这些问题，兰州交通大学光电技术与智能控制教育部重点实验室的研究团队在《Scientific Reports》上发表了最新研究成果。该研究首次将Hodgkin-Huxley（HH）模型与复杂Newman-Watts（NW）小世界拓扑结合，建立了包含500个神经元的大规模神经网络模型，系统比较了简单环状网络、简单NW小世界和复杂NW小世界三种拓扑在音乐噪声干扰下的动态响应特性。

研究采用的关键技术方法包括：基于Hodgkin-Huxley神经元动力学模型构建不同规模神经网络，使用Leonid化学突触理论建立神经元连接，通过NW小世界网络算法生成不同复杂度的拓扑结构，采用Pearson相关系数量化评估网络信号同步性能，以及使用音乐噪声和 Gaussian白噪声作为干扰源进行抗干扰测试。

研究结果

不同规模环状网络结构下神经网络抗干扰特性研究

研究发现，在无噪声正弦激励条件下，随着神经元数量增加，简单环状网络的信号相关指数从100个神经元时的0.121显著提升到500个神经元时的0.190。在 Gaussian白噪声干扰环境下，相关指数从0.216增加到0.223；在音乐噪声干扰环境下，相关指数从0.240显著提升到0.661，增幅达175%。这表明大规模环状网络通过更长的环状路径重复传输信号，提高了整体同步性，但其单向传播约束限制了相关系数的提升幅度。

不同规模简单NW小世界网络结构下神经网络抗干扰特性研究

简单NW小世界网络结构表现出远优于环状网络的同步性能。在正弦信号输入下，100个神经网络的相关系数达到0.812，扩展到500个神经元时进一步升至0.989，提升21.8%。在输入叠加白噪声时，100个神经网络的相关系数为0.951，500个神经元时增至0.975。在输入叠加音乐噪声时，相关系数从100个神经元时的0.959增加到500个神经元时的0.981。NW小世界网络通过多路径高效传播信号，减少相位延迟，展现出强大的噪声抑制能力。

不同规模复杂NW小世界网络结构下神经网络抗干扰特性研究

复杂NW小世界网络表现出最强的同步和抗干扰特性。在正弦信号输入下，100个神经元网络相关系数为0.954，500个神经元时增至0.992。在 Gaussian白噪声干扰下，相关系数从0.962提升到0.976；在音乐噪声干扰下，500个神经元网络达到0.983的最佳性能。复杂NW小世界网络通过引入多重连接机制，在保留短路径长处的同时增强了局部神经元连接数量，其拓扑复杂性与抗干扰性能呈正相关。

讨论与结论

该研究在现有工作基础上取得了重要进展。不同于以往多突触类型研究，本研究专注于单一Leonid化学突触模型构建网络框架，在网络上叠加高随机性音乐信号，并将网络规模从100逐步扩展到500个神经元。研究发现神经网络抗干扰性能随神经元网络规模增大而增强，随后通过首次构建复杂NW小世界网络仿真模型，证明神经网络抗干扰能力与其结构复杂性呈显著正相关，复杂NW小世界网络的相关系数比环状网络提高近四倍。

研究的局限性在于仿真结果可靠性尚未通过硬件实验验证。尽管数值仿真揭示了规模扩展和拓扑复杂性对抗干扰性能的协同效应，但其在物理系统中的可实现性仍需进一步探索。例如，复杂NW小世界网络中的冗余连接可能在硬件电路中引入额外的信号干扰。

后续工作拟通过硬件平台重现网络模型，验证神经网络在硬件系统中的抗干扰特性，为类脑仿真模型的可靠性提供实验支撑。同时，将探索更多拓扑结构对相关系数的调控规律，完善人工神经网络仿真研究。还将系统研究不同信号幅值和噪声强度对不同规模神经网络抗干扰性能的影响，以丰富和完善该问题的研究结论。

该研究通过仿真建模定量分析了三种拓扑结构（简单环状网络、简单NW小世界网络和复杂NW小世界网络）在不同神经元规模（100-500）下的抗干扰特性。仿真结果表明，在无噪声正弦激励条件下，随着神经元数量增加，简单环状网络的信号相关指数显著提升，简单NW和复杂NW小世界网络的相关指数也分别从0.812升至0.989和从0.954升至0.992。在噪声干扰环境下，所有拓扑结构的抗干扰性能均随规模扩大而增强，其中复杂NW小世界网络在500个神经元规模时达到最佳性能。这些数据证实，在由Leonid化学突触和HH模型构建的神经网络中，神经网络规模的扩展和拓扑连接复杂性的增加能有效增强系统抗干扰能力，复杂NW小世界网络在两种输入模式下都表现出最高的抗干扰特性。