自催化三分子模型内噪声随机共振

运用化学Langevin方程 ,数值研究了内噪声对单个和单向耦合自催化三分子模型动力学行为的影响 .研究发现 ,对于单个振子体系 ,内噪声可以诱导持续振荡 ,而且随着系统尺度的增大 ,信噪比经过一个极大值 ,从而证明了内噪声随机共振和最佳尺度效应的存在 ;对于单向耦合系统 ,信噪比还随耦合强度的变化而经过极大值 .此外 ,边界条件对耦合体系的内噪声随机共振行为有很大影响 ,非零流条件下 ,耦合可以增强内噪声随机共振 ,而零流条件下 ,耦合会抑制随机共振 ;当耦合强度适宜时 ,每个振子发生随机共振时的尺度几乎相同 ,表明最佳体系尺度和耦合强度有助于体系达到最佳的化学反应状态 .  

Selkov模型不同扩散和流速下非Turing不稳定化学反应机制

建立了Selkov模型中间反应物具有不同扩散和不同流速条件下的反应 扩散 流动方程 ,理论分析了非Turing不稳定形成的条件 ,求得其参数区间 ,对Andresen的结论作了拓展 .研究还发现 ,在振荡Hopf区域之外 ,静止波动 (空间周期结构FDS)仍然可以存在 .因而 ,此结构存在的参数空间大于Andresen的结果 .同时 ,还将此种不稳定参数区间与Turing不稳定和差速流动引起不稳定 (DIFI)的结果进行了比较 ,结果发现静态FDS值总是处于DIFI临界曲线相应的最小值之上 ,这表明动力学机制是由DIFI不稳定造成的 ,DIFI不稳定区是产生静止波FDS不稳定结构的必要条件  

低浓度三分子模型差速流动引起的化学不稳定性

建立了低浓度三分子反应模型反应 流动 扩散方程 ,理论分析了出现差速流动化学不稳定的条件 ,得到了临界流动速率c 和扰动波包的群速度vg,讨论了扰动增长率与流速的关系 ,并理论研究了出现不稳定时系统的时、空结构 .研究结果表明 ,化学反应在低浓度条件下也可能出现差速流动引起的化学不稳定 .  

Multiple coherence resonance induced by time-periodic coupling in stochastic Hodgkin-Huxley neuronal networks

In this paper, we study the effect of time-periodic coupling strength (TPCS) on the spiking coherence of Newman-Watts small-world networks of stochastic Hodgkin-Huxley (HH) neurons and investigate the relations between the coupling strength and channel noise when coherence resonance (CR) occurs. It is found that, when the amplitude of TPCS is varied, the spiking induced by channel noise can exhibit CR and coherence bi-resonance (CBR), and the CR moves to a smaller patch area (bigger channel noise) when the amplitude increases; when the frequency of TPCS is varied, the intrinsic spiking can exhibit CBR and multiple CR, and the CR always occurs when the frequency is equal to or multiple of the spiking period, manifesting as the locking between the frequencies of the intrinsic spiking and the coupling strength. These results show that TPCS can greatly enhance and optimize the intrinsic spiking coherence, and favors the spiking with bigger channel noise to exhibit CR. This implies that, compared to constant coupling strength, TPCS may play a more efficient role for improving the time precision of the information processing in stochastic neuronal networks.