复杂网络可以建模为彼此之间有网络连接的动态节点。生物神经网络是复杂网络的一种,他存在于生物体内,并传递和处理信息。它由作为节点的神经元和神经元之间的突触进行连接。突触的强度表示两个节点连接的强弱,突触的强度可以发生变化,这就是突触可塑性。生物神经网络中的STDP(Spike-TimingDependent Plasticity)突触可塑性是一种非常重要的学习机制,它的基本原理是两个神经元之间的连接强度随着突触前后神经元的脉冲动作电位的时间而发生变化,正是这种特性使生物神经网络出现不同的连接结构并随着神经元接受的信息而发生着改变。神经形态电子学是近年来新兴的研究方向,它通过电子学器件来实现与生物:神经元和突触具有类似或相同机制的硅基神经元和纳米突触,以期实现在集成度和功能方面与生物脑类似的电子计算机。例如,2008年新发现的忆阻器即具有与STDP突触相同的可塑性机制。本文感兴趣的是在生物神经网络以及神经形态电路中,由STDP机制驱动而演化的网络结构是如何改变的,以及这种改变对网络信息传输的影响。　　要研究这个问题,重要的是选择一个合适的标准来衡量神经网络结构的变化及信息传输量。本文使用所传输的互信息量来作为衡量的标准,以探索神经网络演化背后的物理规律。互信息量可以定义为在网络输出响应中包含的关于输入激励的信息。本文使用可并行计算的机群对神经网络进行仿真,采用了ContextTree等互信息量估计算法。给一个特定的神经网络一个特定的输入激励,就可以得到一个输出的神经脉冲序列,然后可以计算出他所传递的信息量。通过对比信息量的多少,就可以比较出神经网络结构之间的变化规律。研究结果表明,给前向神经网络具有时间相关性的输入,一定的时间相关性可以使网络结构产生双峰分布,并使传递的信息量最大化。此外还对STDP参数对信息传输的影响给以了研究,结果表明STDP机制的增强与抑制的平衡、时间窗与输入时间相关性的匹配对信息量传输的最大化起着决定性的作用。进一步,基于对硅基神经元及忆阻器STDP机制的分析,对神经形态电路的学习过程进行了建模与仿真,得到了与前述结论一致的结果。　　本文属于信息理论、模拟和非线性电子器件与计算神经科学的交叉研究,有助于揭示STDP突触及忆阻器的可塑性在神经网络及神经形态电路演化与功能方面的意义。