||
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:Q426 文献标识码:A 文章编号:
Details of Quantitative Model of Brain Information Processing
XIEQIN1,*
Abstract: Literatures [1-9] suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. This article introduces details of the quantitative model, including 4 parts. Part 1 gives a correction; Part2 introduces "how to define Gate value" in greater details; Part3 introduces the essential nature of "indexing effect" when brain processing information; Part4 introduces some basic neural network principles of "theorizing".
Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing
在已发表文章[6]图13(见图1)需要更正,更正后见图2。其中,“阈值”沿用人工智能领域的定义,对应神经生物学定义为:阈值电位-膜电位。
图1 已发表图[6]
图2 更正后图
二. 关于一个训练样本中阈值数值的确定
在观察的时间精度和空间精度足够小的情况下,可看到在某一时刻,由于各种原因,一个细胞各处的电位并不相同;在一个训练样本中,当各输入信号到达细胞后,由于空间距离等因素,对细胞各处的电位影响也不相同;由于各种原因,一个细胞各处的阈值电位也可能不同。因此,存在对于量化模型中的一个训练样本,存在该样本“阈值”如何确定的问题;即在观察的时间精度和空间精度更加精细的情况下,如何更精确定义“阈值”的问题。图3以细胞A为例说明了这一问题。
图3 存在一个样本中的“阈值的值”怎样确定的问题
下面以细胞A为例说明怎样确定一个训练样本中的阈值:
第一步:确定观察点
对细胞各点构造函数: g(t) = 阈值电位(t)- 膜电位(t), 以点I为例,构造函数
gI(t) = 阈值电位I(t)- 膜电位I (t), 取动作电位发生前gI(t)最小值 gI(t)min, 这样,在动作电位发生前,对于细胞中的各点I,II,III… 可获得一个集合{ gI(t)min, gII(t)min, gIII(t)min … },则取得 MIN { gI(t)min, gII(t)min, gIII(t)min … }的点就是确定的观察点P。
第二步:确定阈值
对观察点P在取得 MIN { gI(t)min, gII(t)min, gIII(t)min … }时的g(t1)的值进行处理:1.消除各路输入对“膜电位(t1)”值的实际贡献值; 2.根据输入信号到达后对点P电位的影响和应有的影响(如在不触发动作电位的情况下,实际贡献值和∑(Pi * Wi)的差异,Pi表示第i路输入,Wi表示第i路权值)调整“膜电位(t1)”的值;3.《大脑处理信息的样本量和网络规模问题》图6提到的“调整阈值波动的数值”的数学处理也会影响“膜电位(t1)”的值;等。处理后的g(t1)就是该样本中的阈值数值。
三. “索引效应”的本质
前面文章曾提到外界输入的信号经过“索引效应”激活特定的细胞群。索引效应的本质是:由于存储了一个具体信息(例如一幅图)的一群细胞由于连接强度大等原因,这群细胞同步兴奋(或者在这群细胞同步兴奋的同时另一群细胞同步抑制)的概率较大,在一些情况下,外界的输入信号等原因使细胞群中一部分细胞的兴奋程度增大,则会使这群细胞中其他各细胞兴奋程度增大(或者在这群细胞兴奋程度增大的同时另一群细胞抑制程度增大),进而经一系列过程形成“回忆起这一信息”的心理现象。
例如图4中,G区域的细胞存储了一幅图像G,由于外界刺激输入等原因,A、B两个细胞的兴奋程度增大,从而影响G区域中其他细胞的兴奋状态,使红色细胞同步兴奋,同时蓝色细胞抑制。进而经一系列过程形成红色细胞群兴奋程度高于大脑中其他大量细胞,蓝色细胞群抑制程度高于大脑中其他大量细胞的情况,形成“回忆起图像G”的心理现象。
在A细胞参与多幅图存储的情况下,则具体心理上“回忆起哪幅图”视存储各幅图的细胞群中其他各细胞的兴奋情况而定,如图4中由于B细胞兴奋程度也较大,因此形成“回忆起图像G”心理现象。
图4 “索引效应”示意图
四.关于理论建立和应用过程中的一些神经网络原理
这里将以匀速直线运动相关理论为例介绍关于理论建立和应用过程中的一些神经网络原理。在对大量客观事实进行长期观察的过程中,大量的样本进入大脑,样本中重复出现次数多的一些统计特性被神经网络保留下来,形成一张相对稳定的神经网络,表示为网络G,图中用灰色结点和实线表示;样本中重复出现次数少的统计特性,由于形成的连接强度不大,在遗忘机制的作用下不参与这网络G的形成,图中用虚线表示。
上述过程可能在多个大脑中逐步形成,例如人们通过对运动事物的长期观察,形成“速度”等概念(形成图中I、III圈内的相对稳定的网络),这些概念传给另一群人后,继续观察客观现象,形成匀速直线运动相关理论(形成图中II圈内的相对稳定网络,从而形成网络G)。大脑中已建立的相对稳定的子网络和一些其他因素会影响后续观察客观现象过程中对输入样本的处理和样本中统计特性的识别。
在匀速直线运动相关理论的建立过程中,人们通过各种方式获得样本,根据样本检验网络G的输入输出,并不断调整网络G,使网络G的输入输出和样本相符,最后网络G相对稳定下来,对应 “Pt = P0 + V * T”,和一些相关概念、数字、单位、计算方法等。在理论的建立过程中,一些随机的因素,如灵感等可能在网络建立过程发挥重大作用,使网络在符合样本方面有很大的改善。由于不可能学习完所有客观世界可能出现的样本,所以只有相对真理,只能在客观实践中不断改进理论。
当这张网络在大脑中建立起来以后,在观察运动物体并预测T时间后物体位置的场景中,这张网络在“索引效应”的作用下把输入信息抽象为物体原始位置、速度、所经历的时间三个要素,这些信息进入网络G后,输出物体T时间后的位置。在这一场景中活跃的神经网络是网络G和图中标U的连接和细胞共同组成的网络G’。注意在神经细胞群活跃的顺序中,并不一定网络G’中所有细胞同时同强度活跃,而可能在各种时序控制机制或自身特性等的作用下分成几步,如图中分成1、2、3步,分别是I、II、III圈中的细胞群依次活跃程度最强。
网络G建立好以后,可以在大脑信息处理的辅助工具,如纸上记录下来,通过信息传播,在不同的大脑中建立这一相对稳定的网络;或者已建有这张网络的大脑因遗忘机制作用,大脑中这张网络不完整存在的时候,重建这张网络。新建的和重建的网络具体相关的细胞和连接权可能会有差异,但都对应“Pt = P0 + V * T”,和一些相关概念、数字、单位、计算方法等。
图5 关于理论建立和应用过程中的一些神经网络原理
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-27 07:41
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社