企业数字神经网络系统1.htm

企业数字神经网络功能开发文章

      <P 
      class=pb1>感光细胞有两种，视杆和视锥细胞。二者都与双极细胞形成突触联系。双极细胞外端与视杆细胞和视锥细胞相连，内端与神经节细胞相接。感光细胞的分布是不均匀的，视锥细胞分布在视网膜的中央凹部分。前视杆细胞则分布在视网膜的比较边缘部分。在视神经进入的地方没有感受细胞，形成盲点。视杆细胞的特点是对弱光有高度的感受性，因而是夜视觉的器官。视锥细胞对光的强度有较弱的感受性，因而是昼视觉的器官。视杆细胞中含有夜视觉所必须的视紫红质。视锥细胞中含有昼视觉所必须的视紫质。视锥细胞可以感受和分辨颜色。</P>
      <P 
      class=pb1>视神经是由成柬的神经节细胞的轴突组成，来自两侧的视神经在脑下垂体前方会合成视交叉。在这里组成每一根视神经的神经纤维束在进一步进入脑部之前被重新分组。从视神经交叉再发出的神经束叫作视束。在重新分组时，来自两眼视网膜右侧的纤维合成一束传向脑的右半部．来自两眼视网膜左侧的纤维合成另一束传向脑的左半部(如图所示)。</P>
      <P 
      class=pb1>这两束经过改组的纤维视柬继续向脑内行进，大部分终止于丘脑的两个被分成外侧膝状体的神经核。外腺体的细胞主要有两类，投射细胞相中间神经元。外膝体完成输入信息处理上的第一次分离，然后传送到大脑的第一视区和第二视区。外膝体属丘脑，是眼到视皮层的中继站。这就是视觉通路。视网膜上的光感受细胞通过光化学反应和光生物化学反应，产生光感受器电位和神经脉冲，在视网膜上沿垂直和水平两个方向传递信息。这样的信息沿着视觉通路进行传播。视觉信号按连续步骤进行加工．发生在每一水平的转变相整合。从神经感受野可以作出员完善的分析。中枢神经元的感受野是指能影响某一视神经元反应的视网膜或视野的区域。每个视皮层，外侧膝状体的神经元或视网膜神经细胞节细胞在视网膜上均有其特定的感受野，视网膜上神经细胞的感受野都是同心圆。可分为开中心圆型和闭中心圆型两类。外侧膝状体的神经元的感受野与神馒节细胞相似。皮层神经无的感受野至少可分为三种类型：简单型、复杂型、超复杂型。</P></TD></TR>
  <TR>
    <TD align=middle width="100%" height=307><IMG height=307 
      src="企业数字神经网络系统1.files/7.gif" width=576 border=0></TD></TR>
  <TR>
    <TD width="100%" height=28>
      <P class=pb>HubeL相WieseI于1962年提出了一个组合的感受野模式。具有相同感受野 </P></TD></TR>
  <TR>
    <TD align=middle width="100%" height=277><IMG height=277 
      src="企业数字神经网络系统1.files/8.gif" width=482 border=0></TD></TR>
  <TR>
    <TD width="100%">
      <P class=pb 
      style="LINE-HEIGHT: 14pt">的视皮层神经元在垂直于皮层表明的方向上呈住状分布．它们是视皮层的基本功能单位，成为超柱。超柱内的神经元对同一感受野中图像和景物的各种持征进行并行的处理和译码，是产生主观感知觉的重要神经基础。现在大体止有两种超住模型及译码理论：特征提取理论和空间频率分析器理论。视觉持征提取理论认为．视觉废层的超柱是由许多不同特征的提取功能柱所组成。每种功能校内的细胞不但感受野相同，其功能也相同，根据功能不同可以分为方位柱，服势柱和颜色柱等。与上述特征提取的超柱模型不同，视觉空间频率分析器的理论则认为．视皮层的神经元类似于傅立叶分析器，每个神经元敏感的空间频率不同。大量的研究结果表明，对复杂图形的视知觉即包含待征提取．又包括空间按空间频率分析的译码过程。此外．视皮层以外的皮层联络区也协同活动。 

      <P 
      class=pb1>MHter和Stryker总结了眼优势柱的生理学研究成果之后，建立了眼优势柱模型。他们认为视皮层活动性差异是形成神经元可塑性的基础，活动性差异的统计学规律是优势柱形成的基础．每只限传入刺激引起的视皮层神经元单位发放模式的相关性，比西服同时性传入刺激引起的发放差异，在服优势校形成中具有更大的作用；不仅传入刺激引起的突触前神经活动模式是重要的，突触后的皮层神经元反应模式在服优势校中也是重要的。这些假设基本符合Hebb突触理论观点。</P>
      <P class=pb>2-4. 脑记忆生理机制</P>
      <P 
      class=pb1>神经生理学家一直在从事脑在何处以及如何记忆的研究。研究结果表明．在脑细胞经受多次某个对象的刺激而保持连续兴奋状态时，只有当这种刺激达到一定强度(阀值)之后，脑细胞里才会留下痕迹。而且当这个对象刺激的频率提高时．阀值降低，记忆更加牢固。</P>
      <P 
      class=pb1>人脑的大量神经细胞都以发射和不发射冲动对行为和精神活动做出贡献。这些细胞之间以多种方式交互作用。动态记忆理论是由桑克在1982年提的，它描述了记忆是如何组织的，记忆是怎样从过去经验中获得智能而自动改变和增长的。当证实过去的经验失败就存储新的经验，即由经验中学习，用联想及从联想中归纳的方法改变结构以适应预测的失败。动态记忆依赖持续运行的神经冲动，或者依赖于可能由重复到达的冲动所强化的神经元内某些活跃的代谢变化和电位变化的保持。通过联系神经元的封闭环(或神经冲动)可能是这种动态记忆机制，每个记忆项目依赖于特定的神经元环或网的活动。事实上人们的记忆容量比神经元多，因此，不同的记忆可能共用部分通路。如果冲动实际上没打留下长时持续的痕迹，那么活动一旦停止．记忆便完全地，不可改变地消失掉。</P>
      <P 
      class=pb1>另外，实验证明记忆不是纯动态的。但是这并不排除最初对神经元的依赖性。冲动的运行必然包含在那种留下记忆痕迹的最初经验中。重复造成更好的记忆这一事实告诉我们．冲动为了以后留下持久的物质变化必须在它选定的道路上循环流动。事实上巩固记忆痕迹的确需要时间作为代价。学习机制表明，突触结构的变化，或者神经蛋白质的变化，是这种持久的静态痕迹。那么神经元原来不起作用，由于活动而可能变得起作用并持续起作用。既然是记忆就存在一个记忆位置的问题。</P>
      <P 
      class=pb1>在神经元生理学中，记忆研究最常用的方法是对人脑进行局部破坏，观察归纳障碍的情况。实验表明记忆与海马有密切的关系。另外与记忆有关的是杏仁体。杏仁体把感觉输入信号会聚成同样-些部分，又把神经纤维深入地送进大脑小的丘脑下部。杏仁体的多种联系构成为认为它能为记忆服务的多种作用的基础。从皮质感觉系统最终一个神经站来的神经纤维到达杏仁体。感觉印象在那里启动记忆系统的一条环路，它依靠杏仁体和丘脑之间的联系。杏仁体和丘脑之间的联系．杏仁体和丘脑下部之间的纽带似乎允许把-种体验与情感通路接合起来。那些纽带通过激活从杏仁体到感觉通路之间的反复联系，也可以便感情影响学习。从杏仁体返回到感觉区的联系的存在，有可能解释一个单一的刺激能引出多种多样的记忆。如当嗅到一种熟悉的食物的气味时能唤起对它的外观、质地和味道记忆。&nbsp;</P>
      <P 
      class=pb1>总的来说．两个主要的记忆回路分别起源于海马和杏仁体，它们负责许多种认知学习。除此之外，还存在用于学习的第二系统。复制刺激反应是该系统中的关键部分，我们称这种学习类型为习惯。习惯是刺激和反应的无意识接合。行为主义心理学家早就证明这种接合是所有学习的基础。行为主义观点中排除了通常意义中的"精神"、"认知"、以及"记忆"这样一些术语。学习可能依靠两个完全不同的系统，其中之一源自认知性习惯，另一个则是认知记忆的基础。这样就可调和行为主义和认知主义学派，行为就可能是对刺激的无意识反应和由认知和期望所指导的行为的接合体。</P>
      <P><A name="三、 神经网络和分布系统">三、 神经网络和分布系统</A></P>
      <P class=pb>3-1. 分布系统</P>
      <P class=pd>3-1-1. 概述</P>
      <P 
      class=pd1>分布系统是在人类周围存在的最为普遍的系统。分布系统与非分布系统存在着较大的差异。非分布系统往往受一个统一命令的指挥，有一个集中发布命令的机构。与之相反，分布系 
      统有多个发布命令的机构，故而称之为分布的。显然分布系统应该包含异步这一层含义，既然 
      没有统一的指挥机构自然表现为非同步。另外，对于分布系统不能期待整个系统为完全有序。 
      即从宏观上看是有序的，而在微观动作上存在着随机性，以实现与其它系统或环境的协调。此 
      外，分布系统中的每个要素相互竞争、协调，在各种制约下作为整体保持一定秩序，适应外界的 
      变动。社会学中的很多现象，如一个人类集团内部，民族之间、国家之间，以至人与人，人类与自 然之间等等普遍存在这种现象。</P>
      <P class=pd>3-1-2. 系统的特点：</P>
      <P class=pb2>3-1-2-1. 分布性</P>
      <P class=pb3>分布性体现在．系统由多个独立智能要素构成。独立的智能要素可以是简单要素，也可以是子系统，它们有某种自主的决定权利。</P>
      <P class=pb2>3-1-2-2. 蠕动性</P>
      <P 
      class=pb3>就分布系统本身而言，有其不确定性，即系统并非固定不变。在此，系统存在某种程度的流动性、模糊性、异步性，各要素之间通过相互作用、相互通信达到协调工作。</P>
      <P class=pb2>3-1-2-3. 自组织</P>
      <P 
      class=pb3>分布系统能适应环境的变化进行自组织，按一种规律或秩序来达到某一目的。自组织与自适应概念相似。自适应是通过自组织(或重构)实现的。系统在自组织过程中不断地从外界环境中吸取信息，不断地重新组织本身。</P>
      <P class=pb2>3-1-2-4. 集中与分布共享</P>
      <P 
      class=pb3>"集中"的含义是指用一个统一的命令体系来控制系统动作。在此我们对这一解释稍加扩展。如果在一个系统中有多个主体、自律要素或子系统，它们执行一个动作，这种情况在客观效果上与执行统一命令相同，我们也使用"集中"这个术语。"分布"与"集中"恰好相对，如果所有的要素接受不同的、独立的信息，进行不同的动作，我们称之为"完全"的分布系统。对于一般的分布系统而言，它往往表现在"集中"与"完全"分布系统之间，即在分布系统中某些要素接受不同的、独立的信息，进行不同的动作，而另外一些要素可能在一个或多个不同的统一的命令体系控制下进行动作。恰当选择分布系统的组成形式有助于使系统的功能可以达到某一最终日的或实现某一秩序。</P>
      <P class=pb2>3-1-2-5. 宏观性</P>
      <P 
      class=pb3>研究分布系统时并不注重每个要素的微观动作，如同在热力学研究中不关心每个气体分子的状态一样。气体分子在微观层次上完全无序，而在宏观层次上看来是均匀的。在分布系统研究中着眼于系统整体的宏观动作或秩序。当然，微观和宏观是相对的概念。</P>
      <P class=pb>3-2. 人工神经网络</P>
      <P class=pd>3-2-1. 概述</P>
      <P 
      class=pd1>人工神经网络在80年代中期得到了飞速的发展。1982年美国加州州立理工学院物理学家Hopfield教授提出了Hopfield人工神经网络模型，他将能量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经网络用于联想记忆和优化计算的新途径。</P>
      <P 
      class=pd1>人工神经网络模拟人类部分形象思维的能力，是模拟人工智能的一条途径。特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相信息处理、机器人等方面取得了可喜的进展。</P>
      <P 
      class=pd1>人工神经网络模型发展到今日已有百余种模型，建造的方法也是多种多样，有出自于热力学的．数学方法的，模糊以及混沌方法。对于有规则的网络结构比较适合我们习惯的简洁分析方法。由于网络拓扑结构的规则性，限制了系统的自由性和无序运动，因而可以采用非效力学的其它方法。如对于前馈拓扑结构的人工神经网络，可使用感知器算法、误差反传递算法、竞争学习算法等。尽管如此，鉴于人工神经网络从本质上体现了分布系统的基本性质，所以分布系统的理论和方法均适合人工神经网络的研究。</P>
      <P class=pd>3-2-2. 人工神经网络的信息处理原理</P>
      <P 
      class=pd1>人工神经网络是由大量称为神经处理单元的自律要素以及这些自律要素相互作用形成的网络。它是在多年来对神经科学研究的基础之上，经过一定的抽象、简化与模拟的人工信息处理模型。它反映了人脑功能的某些基本持性．促又不世人脑的真实写照，形所-个具有高度非线性的大规模非线性动力学系统。必须指出，人工神经网络绝对不是任何意义的人脑的神经网络或其它生物脑。人工神经网络系统基础功能：</P>
      <P class=pb2>3-2-2-1. 学习能力：通过实践进行学习；</P>
      <P class=pb2>3-2-2-2. 自适应能力：系统能适应外界的变化保持良好的性能；</P>
      <P class=pb2>3-2-2-3. 自组织能力：依据外部环境的变化进行自组织，自适应是通过自组织实现的；</P>
      <P class=pb2>3-2-2-4. 容错与自修复能力：对不完整的信息给出正确的解答，或者系统内部发生某些故障时仍能达到良好的状态；</P>
      <P class=pb2>3-2-2-5. 输入输出能力；</P>
      <P class=pb2>3-2-2-6. 知识表示能力；</P>
      <P class=pb2>3-2-2-7. 模式存储、检索能力。</P>
      <P class=pd>从数学的角度可以归纳为以下几个基础属性：</P>
      <P class=pd1>a) 非线性：人工神经元可以表述为激活和抑制两种基本状态，这就是一种非线性关系。</P>
      <P class=pd1>b) 
      非局域性：人工神经网络系统是以人工神经元之间的相互作用表现信息的处理和存储能人。系统的整体行为不仅取决于单个神经元的状态，而且取决于它们之间的相互作用，用此来模拟大脑的非局域性。</P>
      <P class=pd1>c) 
      非凸性：非凸性是指人工神经网络的演化过程在满足一定条件下取决于某特定函数，而且该函数具有多个稳定点，这将导致在不同边界条件下得到不同的结果，这就是系统演变的多样性。</P>
      <P class=pd1>d) 非定常性；表现在人工神经网络具有自组织、自适应和自学习能力。</P>
      <P 
      class=pd1>在分布系统论中假定了分布系统中的大量处理单元都是自律要素，并且通过自律要素间的相互作用体现整体性能相信息处理能力。自律要素的处理能力可以是非常复杂，也可能异常简单。相对而言，在人工神经网络模型中，一般假设神经元是一个非常简单的处理单元．每个单元向其它单元发送兴奋性或抑制性信号。单元表示可能存在的假设，单元之间的相互作用则表示单元之间存在的约束。这些单元的稳定激活模式就是问题的解。</P>
      <P class=pb>3-3. 企业数字神经网络</P>
      <P 
      class=pb1>企业数字神经系统是人工神经网络系统在企业管理上的一种应用系统。数字神经系统通过对神经元以及神经系统的模仿，确立系统模型，解决企业的信息传递机制和流程问题。系统核心强调信息准确、传递及时、对象合理。业数据交流的双向性、互动性和数据信息的复杂性，数字神经系统的网络模型是一种综合的神经网络模型。根据不同的一些情况，采用反馈神经网络、自组织神经网络模型。</P>
      <P 
      class=pb1>反馈神经网络模型：采用经典的Hopfield网络模型。在反馈神经网络中，输入数据决定反馈系统的初始状态，然后系统经过一系列状态转移后，逐渐收敛于平衡状态。这样的平御伏态就是反馈神经网络经计算后的输出结果。 
      Hopfield经常被用于资源组合优化问题。</P>
      <P class=pb1>自组织网络模型(Self-organizing Neural 
      NetWork)：Kohonen的自组织特征映射神经网络(seIf-organizing Feature 
      Map)。自组织神经网络是一种无教师学习神经网络，它能模拟人类根据过去经验自动适应无法预测的环境变化。</P>
      <P class=pb1>详细内容请看第二篇<A 
      href="http://www.jgchina.com/ednns/ednnsbk/4.1.htm">《系统模型》</A>。</P></TD></TR></CENTER></TBODY></TABLE></DIV></BODY></HTML>