大脑处理信息量化模型中的细节汇总.doc

大脑处理信息量化模型和细节综合报告 谢勤1,* 摘要：文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用，并用量化模型结合结构风险最小化相关理论说明时序控制作用的意义。文献[10-20]汇总介绍量化模型中的细节。量化模型中，把有反馈回路的神经网络分解为一系列前向网络集合；把对有反馈回路网络的训练对一系列前向网络的训练对有反馈回路网络的训练对一系列前向网络的训练 图 神经网络处理信息的机制示意 Fig.1 Illusion about how brain processing a graphic [1-6] 网络分析和信息存储过程的量化描述[1-7] 文献[1-20]提出的量化模型中，在观察时间精度和空间精度足够小，并且对网络所处生化环境状态进行足够精细分类的前提下，并由于采用扩维的数学处理（具体后面叙述），对有反馈回路网络的训练近似看做对一系列前向网络的训练 图 训练样本排列图：训练样本的概念和相关说明 Fig.2 Illustration of neural network training [1-6] 图 训练样本的概念和相关说明2Fig.3 Illustration of neural network training 2[1-6][10] 1.3 信息提取过程的量化描述[1-7] 图4介绍了信息提取过程的相关概念和说明。以图1中图像G的提取为例，在大脑提取信息的时候，一系列扩维后的输入样本连续输入神经网络，经过图4中描述的过程，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，并且这种情况持续一段时间，从而形成“回忆起图像G”的心理现象。[1-7] 同样，由于传输延迟的存在，在运用数学工具进行分析的时候，实际输入每个前向网络模型的样本是图中样本“重组后的样本”。[1-7] 图Fig.4 Illustration of information processing [1-7] 1.4 神经细胞在网络模型中的角色[1-8] 在量化模型分解出来的前向网络模型集合中，具体生物神经网络中的每个细胞有两种角色：一是某个前向网络的输出细胞；一是前向网络的输入细胞。对于输出细胞这一角色，样本排列图中的每条竖线对应一个“已经经过处理，传输到达输出细胞，经输出细胞加和后成为前向网络输出”的样本。对于输入细胞这一角色，样本排列图中每条竖线对应的样本经样本重组后成为输入各前向网络模型的样本。[1-8] 1.5 关于样本重组问题的由来[1-8] 由于传输延迟的存在，在运用数学工具进行分析的时候，实际输入每个前向网络模型的样本是“重组以后的样本”，图5说明了相关的概念和问题[1-7]。 图 Fig.5 Origin of sample recombination problem[1-8] 1.6 样本重组方案介绍[1-8] 样本重组方案包括三个步骤，一 对网络进行阈值波动相关的扩维处理[1-7]；二 对网络进行网络延迟相关的扩维处理；三 根据扩维后的网络，结合训练样本排列图图2，按各通路具体传输延迟获得重组以后的样本。[1-8] 对网络进行网络延迟相关的扩维处理具体步骤：一 从输出细胞开始，后向逐层分析网络。二 对于每层细胞，分析各个细胞，如果发现细胞到已分析过的各层，包括当前层的某个细胞存在多条通路，并且各通路时间延迟差别较大，则只保留延迟时间差别小的通路，对其他各条通道各构造一个扩维子前向网络，以子前向网络输出代替被分析细胞的输出。 三 子网络构造方法是： 1 复制被分析细胞作为子前向网络输出细胞 2 以各子前向网络的输出代替被分析细胞各路输出 3 对有直接输出到被分析细胞的细胞，复制细胞和相应通路，连接到子网络的输出细胞 4 对有直接输出到上一步被复制细胞的细胞，复制细胞和相应通路，连接到相应的上一步复制出来的细胞，并迭代执行本步骤，直到复制完相应的输入层细胞。图6给出了图5经扩维处理后的结果。[1-8] 图 Fig.6 Example of latency-related-dimension-expansion [1-8] 2关于大脑处理信息的网络分析，样本定义，信息存储、提取过程如何量化为训练样本对网络集合的训练、训练完成后的网络对外界输入信息进行处理的细节 2.1 关于一个训练样本中阈值数值的确定[1-10] 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