人工神经网络到认知-情感体系.docxVIP

神经信息编码到认知-情感体系文章简述 本文第一章内容讲述了神经信息编码得相关理论，并总结出了两个重要结论：1）人工神经元建模方式是神经元代表了一条直线对一个数据平面进行划分，同时赋予神经元一个偏置，使得这条直线可以平移到平面的任一个位置。三层神经元网络类似多条直线构成多边形对数据平面划分出多边形内外部分；2）目前的认知科学主流处于第一代，主要谈论对客观世界（例如图像、声音等）的数据处理，第二代认知科学—具身主义正在慢慢兴起，我们的大脑不是脱离肉体的虚空智慧，而是一个同时认识了客观世界又创造了个体性主观世界的一个神经系统。 第二章内容，承接第一章内容，按照人工神经网络的建模方式来建构我们的主观世界—认知—情感体系。人类的情感世界就像物理世界一样也是由微小的组件构成的。这些组件就是情感元和连接。情感元就像人工神经元一样，完成对一个信息的正负评价，即它可能产生正性情感也可能产生负性情感，连接就像神经元的偏置，只能产生单方面情感。情感元、连接完成了从语义记忆、情景记忆中的信息到情绪、感受的联结，就像人工神经元完成了从一个数据图像到字母A、B的输出一样。这样的建模也符合具身主义的要求（即神经系统构建主观世界）。本章行文过程还对当代经验心理学内容进行了重述。 本文有较大篇幅引用已有文献、案例，但作为一个完备理论的阐述是必要的。 第一节 人工神经网络的信息编码 人工神经网络一直是科幻小说中非常火爆的题材，同时也是引发 人类对自身未来命运担忧的一个理论逻辑基础，多少年来我们都在讨论智能机器到底可不可能超过人类的大脑，我们先简约回顾下人工神经网络的基础理论。 1 感知器 1943 年,神经生物学家MeCulloch和青年数学家Pitts 合作,提出了第一个人工神经元模型,并在此基础上抽象出神经元的数理模型,开创了人工神经网络的研究。以MeCulloch 和Pitts 提出人工神经元的数理模型(即神经元的阀值加权模型,简称感知器，如图1-7所示) 为标志,神经网络拉开了研究的序幕。（出于表述严谨性的考虑，本节会出现若干数学公式，但读者若对公式理解有困难可以跳过具体的公式只看文字，并不会影响最终的阅读效果） 图1-7 多输出感知器 每个神经元的行为都用一个激活函数F来表示，F一般取一个阶跃函数或者一个S型函数（如图1-8所示）。之所以采用阶跃函数来表示神经元电活动，主要是为了模拟神经元电位的静息和发放，当输入小于零时，输出也小于零，即神经元是静息的，当输入大于零，输出便大于零，即神经元开始发放动作电位了，有时也会加一个偏置θ来表示阈值。输出层神经元的输入是对每个输入层X和权重W之间的 图1-8 一个典型的阶跃函数和S型函数Sigmoid（t）=11+e-t 乘积之和,因此它的输出就是Oj=F(i=1n(xiwij)+θ)，一般用矩阵形式来表达就是O=F(XW+θ)。 我们知道一个二维坐标平面会被一条直线0=x1w1+x2w2+θ分成两半，当输入x1w1+x2w2+θ大于零时也就是说点（x1，x2）落在了直线划分出的上半平面，同理输入小于零时即点落在了下半平面，由此通过神经元的发放与否判断出点落在何处，从而最终我们用一个神经元完成了对点（x1，x2）的一种归类划分，当然类似的点（x1，x2，……，xn）就是n维坐标系被相应的n-1维超平面归类划分，用一个含有m 个输出神经元的神经网络就完成了对点（x1，x2，……，xn）的m多种归类划分。 当然这种划分可能并不是我们需要的划分方式，我们可以不断的调整权重w，使得划分方式是我们需要的。调整权重的方法就是著名的Hebb原则wij（n+1）=wij(n)+α（yj-oj）xi。这公式因为含有了理想输出y所以是一个有师学习（又称有监督学习）的过程，很多时候我们并不知道理想的输出y到底是什么，公式也可以改写为wij（n+1）=wij(n)+αojxi，这时便是无师学习（又称无监督学习）了。如此不断的 输入训练样本、调节权重，直到获得我们需要的效果。 Hebb原则是由加拿大著名生理心理学家唐纳德?赫布在其1949年出版的《行为的组织》一书中提出的神经心理学理论。赫布认为神经网络的学习过程最终是发生在神经元之间的突触部位，突触的联结强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之积成正比（αojxi）。据说这个原则是受一条狗的启发得出的，这条狗就是巴甫洛夫的狗，估计它是史上最著名的狗了，就像薛定谔的猫是史上最著名的猫一样。俄国生理学家巴甫洛夫开始每次喂狗食物时，都会摇铃铛。等到一段时间后他发现只要摇铃铛，它的狗便会流口水，哪怕没有骨头出现。这便是著名的条件反射实验，内在神经学原理便是Hebb原则了，它的存在使得，巴普洛夫无意间加强了铃铛听觉神经元与唾液分泌神经元之间的联系。当然，Hebb原则是可以