AI-CH4人工智能引论.pdfVIP

第四章 神经计算 细胞体：由细胞核、细胞质和细胞膜组成； 轴突：即神经纤维，相当于细胞的输出电缆，其端部的神经未梢 为信号输出端子，用于传出神经冲动； 树突：相当于输入端，接受来自四面八方的传入神经冲动； 突触：细胞与细胞之间通过轴突和树突相互连接，接口就称为突 触。每个细胞有1000– 10000个突触。突触有两种类型：兴奋型和抑制型 膜电位：细胞膜内外之间的电位差，约20 – 100mv，膜外为正 ，膜内为负； 结构可塑性：由于突触的信息传递性是可变的，随着神经冲动 传递方式的变化，其传递作用可以增强，也可以减弱，即细胞之间的连 接是柔性的。 生物神经元功能特性 时空整合功能 对不同时间通过同一突触传入的神经冲动有整合功能，对 同一时间通过不同突触传入的神经冲动有整合功能。 兴奋与抑制状态 兴奋—— 当传入冲动的时空整合结果，使膜电位升高，超 过动作电位的阈值 （约40mv ）时，细胞进入兴奋状态，产生 神经冲动，由轴突输出； 抑制—— 当传入冲动的时空整合结果，使膜电位低于动作 电位的阈值（约40mv ）时，细胞进入抑制状态，无神经冲动 输出。 脉冲与电位转换 突触界面有脉冲/电位信号转换功能。由轴突传递的电脉冲为等 幅、恒宽、编码的离散脉冲信号，而细胞膜电位变化为连续的电位 信号。在突触接口处进行 “数/模”转换是通过神经介质以量子化 学方式实现的变换过程，即 电脉冲——神经化学物质——膜电位 突触延时和不应期 不应期——相邻两次冲动之间需要一个时间间隔，在此期间对激 励不响应，不能传递神经冲动。 学习、遗忘和疲劳 由于结构可塑性，突触的传递作用有增强、减弱、饱和，所以 细胞有学习、遗忘和疲劳效应。 三、人工神经元网络 人工神经网络（简称为ANN）由大量神经 元互连而成，是现代神经科学研究成果的基 础上提出来的，反映人脑功能的基本特性， 但不是人脑真实写照，只是它的某种抽象、 简化和模拟。 典型的人工神经网络模型 感知机：典型的线性模式分类器 BP 网络：多层前向网络，典型的非线性模式分类器 自组织特征映射网络：用于最优映射 （变换） Hopfield网络：全连接网络，用于解决组合优化问题， 如 “旅行推销员问题”，给定N个城市，寻找一条不重复通 过所有城市的最短路径。是NP完全问题。 双向联想存贮器：模式识别 人工神经网络的信息处理能力 ANN 的信息处理功能由下列因素决定 网络单元 （人工神经元）的输入输出特性 网络的拓朴结构 连接权的大小（突触联系强度） ANN 的信息处理能力包括： 大规模并行分布信息处理 （现行计算机只能串行离散符 号处理） 分布式信息存贮：信息存贮体现在神经元互连的分布上 ( ) ，并以并行分布式处理现行计算机计算与存贮是相互独立的 高度的鲁棒性和容错性，善于联想、概括、类比和推广 ，任何局部损伤不会影响整体结果。 很强的自学习能力，系统可在学习过程中不断完善，具 有创新特点。 具有集体运算能力。 人工神经网络学习 人工神经网络的学习模拟人脑的学习方法。人脑在学习过程中 究竟哪些部分发生了变化，这是神经系统学习的实质问题。 人脑学习学说 （两大流派） 化学学说 认为神经系统把学习后的结果记录在某些生物分子 （如蛋白质、 核酸、神经递质）上，就象遗传信息记录在DNA上一样。 突触修正学说 认为学习过程中神经元之间的突触联系发生了变化。人工神经网 络按突触修正学说来模拟人脑的学习过程。 人工神经网络的学习规则 误差修正型学习 根据系统的期望输出与实际输出之间的误差作为连接权调整的参 考，最后减小这种误差。 随机型学习 结合随机过程、概率和能量的概念来调整网络的连接权，从而使 网络的能量达到最小。 赫布型学习