申明:本文不是超理,不参与 @海王星凌月 的钓鱼文创作大赛。@海王星凌月 也不会因为这篇文章写的如此之好而给它加精。转载请注明作者sx349
====================================================
按迹索引反馈机制原理
简介
按迹索引反馈机制(A Feedback Mechanism Indexed with Former Tracing, 简称I-FT反馈机制)是人脑进行记忆调用和分析的一种机制。
通过神经元间神经递质(neurotransmitter)的结构与浓度、神经元内部兴奋信号的强度,记忆内容信号在大脑调用中留下特定的迹(trace)。研究表明,大脑通过迹的强度进行模糊性判断,并通过对迹的记录和调用来存储记忆以及确定记忆的深刻程度。由于迹成为每一次调用记忆的一个索引工具(index),该反馈机制被命名为按迹索引反馈机制。
详细内容
通过神经元间神经递质的结构与量、神经元内部兴奋信号的强度,来代表这种信号的可信程度(reliability;credibility)。每个信号会根据其可信程度在传递过程中留下特定的不同强度的迹。迹会随着别的信号判断的不断加入而淡化,直到该信号再次激活这个迹。
能够被多次激活的迹,以及激活次数不多但是强度很高的迹,往往很难被抹去,因此在终端输出的神经元(terminally output neures)上能够更强的反映出来,当强度达到某个程度之后,就会被认为这个信号是绝对正确的,而当强度低于某个程度时,就会被认为是极有可能不正确的。除此之外的情况下,终端输出神经元就会依据强度得到一个近似程度值(approximate quantity)。
迹的强弱不仅在于特定的几次信号传递过程,而是自人脑建立之初,初步建立了神经系统(nervous system; systema nervosum)后就开始受这一机制的影响了;同时,迹的强度同样将成为一个信号,从而影响下一次信号传递的迹。
理论发展
前馈神经网络
在很久以前,人类开始了对于神经元的研究与模拟。自然经过上亿年的进化形成的脑部神经结构拥有复杂的生理基础和实现原则,在计算科学发展的最初,人类拘泥于形式与精确性,创造出了最初的多层前馈神经网络(Multilayer Feedforward Neural Network)。人工模拟神经元单位通过不同的权值比重(Weight)对输入的数据进行选择与处理,进而分配到后继的神经元中。权值比重的确定,依靠了前馈神经网络的一个重要特性:可学习性(learnability)。人类让模拟神经元模拟神经各种兴奋传递,通过改变权值比重达到弱化错误的神经关联,强化正确的神经关联的目的,逐步向前推进这种权值比重,就能够完全确定整个神经网络的权值比重。但是,这种神经网络与人类神经元的机制有着相当大的差距:神经网络往往能够给出一个确定性的答案,却不能自动给出多个相近的答案再进行比较,因为模糊性的概念将打乱前馈神经网络的权值分配。按迹索引反馈机制
人脑中处理模糊性的方法,随着科技的进步,得到了一个解释:
通过神经元间神经递质的结构与量、神经元内部兴奋信号的强度,来代表这种信号的可信程度。每个信号会根据其可信程度在传递过程中留下特定的不同强度的迹。迹会随着别的信号判断的不断加入而淡化,直到该信号再次激活这个迹。能够被多次激活的迹,以及激活次数不多但是强度很高的迹,往往很难被抹去,因此在终端输出的神经元上能够更强的反映出来,当强度达到某个程度之后,就会被认为这个信号是绝对正确的,而当强度低于某个程度时,就会被认为是极有可能不正确的。除此之外的情况下,终端输出神经元就会依据强度得到一个近似程度值。
====================================================
按迹索引反馈机制原理
简介
按迹索引反馈机制(A Feedback Mechanism Indexed with Former Tracing, 简称I-FT反馈机制)是人脑进行记忆调用和分析的一种机制。
通过神经元间神经递质(neurotransmitter)的结构与浓度、神经元内部兴奋信号的强度,记忆内容信号在大脑调用中留下特定的迹(trace)。研究表明,大脑通过迹的强度进行模糊性判断,并通过对迹的记录和调用来存储记忆以及确定记忆的深刻程度。由于迹成为每一次调用记忆的一个索引工具(index),该反馈机制被命名为按迹索引反馈机制。
详细内容
通过神经元间神经递质的结构与量、神经元内部兴奋信号的强度,来代表这种信号的可信程度(reliability;credibility)。每个信号会根据其可信程度在传递过程中留下特定的不同强度的迹。迹会随着别的信号判断的不断加入而淡化,直到该信号再次激活这个迹。
能够被多次激活的迹,以及激活次数不多但是强度很高的迹,往往很难被抹去,因此在终端输出的神经元(terminally output neures)上能够更强的反映出来,当强度达到某个程度之后,就会被认为这个信号是绝对正确的,而当强度低于某个程度时,就会被认为是极有可能不正确的。除此之外的情况下,终端输出神经元就会依据强度得到一个近似程度值(approximate quantity)。
迹的强弱不仅在于特定的几次信号传递过程,而是自人脑建立之初,初步建立了神经系统(nervous system; systema nervosum)后就开始受这一机制的影响了;同时,迹的强度同样将成为一个信号,从而影响下一次信号传递的迹。
理论发展
前馈神经网络
在很久以前,人类开始了对于神经元的研究与模拟。自然经过上亿年的进化形成的脑部神经结构拥有复杂的生理基础和实现原则,在计算科学发展的最初,人类拘泥于形式与精确性,创造出了最初的多层前馈神经网络(Multilayer Feedforward Neural Network)。人工模拟神经元单位通过不同的权值比重(Weight)对输入的数据进行选择与处理,进而分配到后继的神经元中。权值比重的确定,依靠了前馈神经网络的一个重要特性:可学习性(learnability)。人类让模拟神经元模拟神经各种兴奋传递,通过改变权值比重达到弱化错误的神经关联,强化正确的神经关联的目的,逐步向前推进这种权值比重,就能够完全确定整个神经网络的权值比重。但是,这种神经网络与人类神经元的机制有着相当大的差距:神经网络往往能够给出一个确定性的答案,却不能自动给出多个相近的答案再进行比较,因为模糊性的概念将打乱前馈神经网络的权值分配。按迹索引反馈机制
人脑中处理模糊性的方法,随着科技的进步,得到了一个解释:
通过神经元间神经递质的结构与量、神经元内部兴奋信号的强度,来代表这种信号的可信程度。每个信号会根据其可信程度在传递过程中留下特定的不同强度的迹。迹会随着别的信号判断的不断加入而淡化,直到该信号再次激活这个迹。能够被多次激活的迹,以及激活次数不多但是强度很高的迹,往往很难被抹去,因此在终端输出的神经元上能够更强的反映出来,当强度达到某个程度之后,就会被认为这个信号是绝对正确的,而当强度低于某个程度时,就会被认为是极有可能不正确的。除此之外的情况下,终端输出神经元就会依据强度得到一个近似程度值。