大脑处理信息的样本量和网络规模问题.pdf

【摘要】结合人工神经网络领域的理论成果，量化描述大脑处理信息的过程，分析大脑各生化参数、生理机制对具体信息存储、信息提取的影响，将有助于进一步理解大脑的工作原理。本文介绍了一个量化描述大脑信息存储、信息提取的思路，并结合结构风险最小化原理，分析说明大脑在具体信息处理过程中存在样本量和网络规模匹配的问题。在量化模型的帮助下，可以看到，血液循环的时序控制作用、语言机制等能和大脑的生化参数相互配合，实现如下几点，从而使大脑能对不同信息处理组织起相对独立规模受控的子网络，降低结构风险，准确而高效的处理信息：1 在处理特定信息的时候，相关网络中细胞的兴奋程度足够大，并且能维持足够长的兴奋时间 2 在处理特定信息的时候，无关网络中细胞的兴奋程度足够小 3 兴奋程度大小和时间长短不同造成连接改变程度差异，改变程度差异参数和遗忘机制的参数能相互配合 4 在实现差异的基础上，又能保证生化环境的稳定，使信息提取时输入神经网络的样本不和训练样本差别过大 5 子网络的组织有一定的稳定性和灵活性。
【关键词】过程存储与重组模型  时序控制  微循环  结构风险  中枢神经系统  信息处理

【中图分类号】R74【文献标识码】A  【文章编号】1672-5085（2011）21-0088-04
Matching Problem of Sample Quantity and Network Scale when Brain Processing Information
【Abstract】 This article introduces a solution of quantifying the information storing and recalling processes of the brain. The solution is basing on math tools from AI area. Under the framework of the solution, analyzing how biochemical parameters of the brain and kinds of physiological mechanisms of the brain affect the processes of storing and recalling a piece of information, it’s helpful for understanding the working mechanism of the brain. With the help of quantify model, we can see there is a matching problem of network training sample quantity and network scale. Timing control function of blood circulation and language mechanisms etc. solve thismatching problem by organizing respective sub networks when brain processing different pieces of information because: these physiological mechanisms(timing control function of blood circulation, language mechanism, etc) can cooperate with kinds of biochemical parameters of the brain(e.g. O2concentration, discharge rate of cell, forgotten rate etc.). The solution of matching problem result in high accuracy and efficiency when brain processing information.
【Key words】model of process storing and recalling  timing control  microcirculation  structure risk minimization  CNS   information processing