精华内容
下载资源
问答
  • 脑神经网络与神经形态器件及其电路综述.pdf
  • 石墨烯-碳纳米管复合支架可模拟脑神经网络.pdf
  • 石墨烯—碳纳米管复合支架可模拟脑神经网络.pdf
  • 神威太湖之光加速计算在脑神经网络模拟中的应用.pdf
  • 脑神经网络都具有形状偏好,相关研究论文《Cognitive psychology for deep neural networks: A shape bias case study》被国际机器学习学会(IMLS)收录。 谷歌DeepMind 团队的研究将认知

    谷歌DeepMind 团队的研究将认知心理学和深度神经网络结合在一起,并发现两者在小样本词汇学习过程中具有相似之处——DNN 和脑神经网络都具有形状偏好,相关研究论文《Cognitive psychology for deep neural networks: A shape bias case study》被国际机器学习学会(IMLS)收录。

    谷歌DeepMind 团队的研究将认知心理学(cognitive psychology)和深度神经网络(deep neural network,DNN)结合在一起,并发现两者在小样本词汇学习(从一个示例中猜出一个单词的意思,one-shot word learning)过程中具有相似之处——DNN 和脑神经网络都具有形状偏好(shapebias),相关研究论文《Cognitive psychology for deep neural networks: A shape bias case study》被国际机器学习学会(IMLS)收录。深度学习和神经科学的学科交叉对未来的发展方向具有很强的指导意义,这项研究也为DNN 的机理以及脑神经网络的理论基础研究提供了一种可行的解决思路,而真正破解DNN 和脑神经科学的黑箱问题依然任重道远。

    两个黑箱问题

    DNN 在很多复杂任务上取得了前所未有的进展,如人脸识别、围棋以及Atari游戏,但是其解决方案也远远超出了我们的理解范围,成为了一个名副其实的黑箱。这种黑箱模型在很大程度上能够简单便捷地解决许多实际问题,但是从科学研究和实际应用的角度上看,我们需要理解并改变世界,只有破解DNN 的黑箱问题之后,才能更好地运用并改善该模型,同时提升实际应用中的可靠性。

    在这种黑箱问题背景下,建立更加优秀而且可理解的神经网络系统成为一个热门的研究方向。许多研究者都认可:DNN 的图像处理模型与动物的视觉处理通路具有相似之处,动物的视觉处理通路存在感受野、方向选择性以及分级处理等特性,而模仿动物视觉信息处理的DNN 也具有类似的特性;此外,DNN的快速发展也促进了视觉神经科学方面的研究,形成了有效的正反馈;从更加宏观的角度来看,感受野、方向选择性、分级处理这些特性也会使DNN 和动物视觉信息处理在更高层次上具有一定的相似性。这种共同点以及两者相互促进的机制正是开展DNN 黑箱问题与认知心理学的交叉研究的基础。破解DNN 黑箱问题,首当其冲的是为该问题建立一套完整的问题描述方法及实验研究方法;由于DNN 与脑神经网络存在一定的共性,因此DNN 黑箱问题与脑神经科学的交叉研究正是一种行之有效的方法。尽管脑神经网络是一个更加庞大的黑箱,但是人们对于大脑的解码走在DNN黑箱问题的前面,对大脑的研究已经建立了一套系统的研究方法,这套研究方法也可以作为DNN 黑箱问题的基础。

    DNN 与脑神经网络的异同点

    认知心理学是研究脑神经网络的一门重要学科,认识心理学中一个经典的案例是考察儿童如何识别和标识物体,探索儿童如何从一个示例中猜出一个单词的意义;认知心理学的研究成果表明,儿童会通过采用归纳偏好来消除许多不正确的推理,而且形状偏好强于颜色偏好。在人工智能中,能够进行小样本学习的深度神经网络(matching network),凭借一个孤立样本,就取得了ImageNet 图像分类任务中目前最佳性能,而且该模型也更倾向于形状偏好。小样本学习的能力和形状偏好特性是DNN 与脑神经网络的共性,但是DNN和大脑终究就是两个差异很大的模型,一点小的共性难以弥补两者之间的鸿沟。

    首先,DNN 和大脑的拓扑结构有很大的差别,DNN 往往具有非常规则的连接,而真实的脑神经网络之间的连接极其复杂,而且不同物种的脑神经网络连接也会有所不同;如大小鼠、猫和猴存在感受野以及视觉信息分级处理的机制,但是大小鼠没有功能柱,而猫和猴存在功能柱(具有相同感受野并具有相同功能的视皮层神经元,在垂直于皮层表面的方向上呈柱状分布);猫和狗的视锥细胞非常少,对颜色不敏感,猴和树鼩则具有丰富的颜色视觉;青蛙和兔子这类的低等动物的视觉信息处理系统对运动的物体非常敏感;每一类生物在漫长的进化过程中,都已经形成了最适应其生存环境的形态结构,而目前DNN 模型的拓扑结构与任何一种生物的神经网络结构都相去甚远。此外,DNN 的计算方式与大脑的信息处理方式也有很大不同,DNN 一般都是确定性的数学模型,给定输入之后,按照给定的计算流程,所有的中间变量以及最后的输出都是确定的;对于大脑来说,给定一个输入,会得到一个确定的输出,但是中间变量不是确定的(即每次看到一个苹果时,大脑会认出这是一个苹果,但是每次都只观察视觉信息处理过程中很小的一个神经环路时,这个环路的状态是变化的,而这种变化却不影响最终的输出)。从输入到输出,DNN 只有一条确定的路,而大脑每一次都走了一条不同的路,这就是DNN 的确定性与脑神经网络的不确定性之间的矛盾。

    加强深度学习与脑科学交叉研究

    DeepMind 团队认为这项形状偏好的研究表明:认知心理学工具具有揭示DNN 隐藏计算过程的能力,同时能够提供一个人类词汇学习的计算模型,对此我们持一定的怀疑态度。首先,DNN 和大脑的拓扑结构具有很大的差异,即使二者具有感受野、方向选择性、信息分级处理、以及形状偏好等形同特性,也并不能说明二者的计算过程有多少相似性;此外,学习和记忆也是认知心理学中亟待解决的黑箱问题,在得到透彻理解之前,并不能单方面地成为破解DNN 的黑箱问题的武器。值得肯定的是,深度学习与脑科学的交叉研究是未来必然的发展趋势;在2016 年,《Nature Neuroscience》上的一篇文章介绍了一种对更高层的视觉皮层的神经活动进行建模的目标驱动分层卷积神经网络(Goal-driven hierarchical convolutional neural networks,HCNNs),该研究表明目标驱动的HCNNs 能够揭示视觉皮层信息处理过程形成和发展的机理[2];神经科学和认识心理学并不是单纯的实验科学,只有基于DNN 这一类有效的理论分析方法,才能将二者推向更高的层次;从另一个角度看,随着对脑神经网络认识的深入,人们能够发掘出脑神经网络更多的特性,这些特性很有可能成为不断理解与完善DNN 模型的切入点,成为破解DNN黑箱问题的可行途径。

    展开全文
  • bugbrain 神经网络 高智商游戏 适合神经网络学习者认识神经网络 形象生动
  • 要了解神经网络对内分泌的影响,必须要先了解人体中三大系统(神经系统,内分泌系统和免疫系统)之间的关系。 内分泌系统并不是独立地对机体进行调节,而是和神经系统、免疫系统有着紧密的结合,共同对机体进行调节...

    要了解神经网络对内分泌的影响,必须要先了解人体中三大系统(神经系统,内分泌系统和免疫系统)之间的关系。 内分泌系统并不是独立地对机体进行调节,而是和神经系统、免疫系统有着紧密的结合,共同对机体进行调节。其中,内分泌系统和神经系统的相互作用和联系最为明显。

    神经系统是人体起主导作用的控制系统。人体的结构与功能均极为复杂,但体内各器官、系统和各种生理过程都处于神经系统的直接-或间接控制之下。这些器官和系统在神经系统的控制下互相联系、相互影响、密切配合,使人体成为一个完整统一的有机体,实现和维持正常的生命活动。同时,人体又是生活在经常变化的环境中,外部环境的变化必然影响到体内的各种器官和功能,这也需要神经系统对体内各种器官和功能不断进行迅速而完善的调整,使人体适应体内外环境的变化,保持体内生理状态的稳定。人类的神经系统高度发展,特别是大脑皮层不仅进化成为调节控制人体活动的最高中枢,而且进化成能进行思维活动的器官,决定着人的行为。因此,神经系统是人体最重要最复杂的控制系统,对机体进行全面而且至关重要的调节。

    内分泌系统和神经系统主要通过神经内分泌细胞相互联系,内分泌系统通过激素的分泌和释放来发挥调节作用。内分泌系统和神经系统联系最重要的媒介就是下丘脑。下丘脑既是内分泌腺体又是神经系统重要组成部分,既可以接受神经系统刺激,又可分泌激素调节内分泌系统的活动,在内分泌系统和神经系统间起到重要的桥梁作用。下丘脑与其他神经器官具有丰富的联系,具有大量的神经传入通路,主要包括皮层下丘脑通路、边缘系统向下丘脑的投射通路、由脑干和脊髓上行至下丘脑的神经通路以及视网膜的神经节细胞投射到下丘脑的视交叉上核。在下丘脑内各核团间也存在丰富的神经纤维联系,核团内部也有各种形式的突触联系存在。另一方面,下丘脑也可分泌激素,从高层调节内分泌系统的活动。目前已知的下丘脑分泌的激素有9种,主要包括促甲状腺激素释放激素、促性腺激素释放激素、生长抑素、生长激素释放激素、促肾上腺皮质激素释放激素、催乳素释放抑制激素等等。

    下丘脑和垂体一起对内分泌系统的活动进行总体调节。一般,下丘脑分泌激素刺激垂体的活动,垂体分泌激素调节其他内分泌腺体的活动,其他内分泌腺体分泌激素调节机体勒器官的活动。这种逐级调节过程还存在放大效应,即上一级激素的释放可以引起大量下一级激素的释放,然后引起更多再下一级激素的释放。所以,下丘脑作为最高层的调节器官可以对内分泌系统的整体活动进行有效地调节。另一方面,神经系统可以通过神经信息的传递,了解机体状态,并控制下丘脑的活动。整个过程形成了一个负反馈调节系统,以保证内分泌系统和神经系统对机体形成稳定的调节。例如,神经系统与内分泌系统共同对甲状腺激素的释放进行调节的过程如图所示。

    神经系统和内分泌系统组成负反馈回路调节甲状腺激素释放

    除下丘脑外,人体还存在一些分散的神经内分泌细胞。这些细胞既具有神经细胞的特征,又具有内分泌细胞的特征,是神经系统和内分泌系统联系的中介。从结构上看,这类细胞也具有胞体、突触和轴突,并与其他神经细胞间有突触联系,可传递并接收其他神经细胞的信息。从功能上看,这类细胞也可实现神经兴奋并传递神经电位,并能对某些祌经递质发生反应。这类细胞同时还具有内分泌细胞的功能,可以分泌激素。这类细胞往往与血管相联系,其分泌的部分物质并不像其他神经细胞分泌的神经递质那样进入突触间隙,而是进入血液循环,以激素的方式调节远处器官的活动。

    神经系统还可直接影响一些内分泌腺体的活动。例如,当交感神经系统活动增强时,肾上腺髓质分泌的肾上腺素增多,促进新陈代谢、心跳加快、血糖浓度升高,使机体的运动能力增强,帮助神经系统调动身体达到适应外界环境变化的目的。又如,迷走神经活动增强可促进胰岛细胞分泌胰岛素,协助神经系统的应激反应。

    内分泌系统与神经系统之间的联系不仅体现为神经系统对内分泌系统的调节,也体现为内分泌系统对神经系统的调节。生理研究表明,激素可调节神经细胞的兴奋门限和神经突触的传递效率使其改变对特定外界刺激的敏感度。例如甲状腺激素能提高神经系统尤其是交感神经系统的兴奋性,对维持神经系统的正常工作起到重要作用。

    神经系统和内分泌系统间存在着紧密的联系,两者起到相互调节的作用,共同对机体进行控制。林广栋[1]等人借鉴神经系统与内分泌系统相互合作维持机体内平衡的机制,提出一种协助维持控制系统处于稳定状态的控制模型。相比传统控制模型,该模型在动态环境下表现更好。该模型名称为内分泌系统维持机体内平衡机制(EMNCS)的模型,该模型根据环境动态调节神经网络参数,达到动态控制的目的。该模型的核心是神经网络控制系统和内分泌系统。将在下一部分具体介绍。

    展开全文
  • 聊聊从脑神经神经网络

    千次阅读 2018-11-29 08:32:22
    神经网络能解决非线性的复杂的模型问题,而且通过增加网络的层数将具备更加强大的学习能力,另外如果再改造改造层的结构则变成各类深度学习模型,例如CNN RNN之类的。 神经网络一般被用来捕捉复杂情况下的特征,比如...

    前言

    神经网络能解决非线性的复杂的模型问题,而且通过增加网络的层数将具备更加强大的学习能力,另外如果再改造改造层的结构则变成各类深度学习模型,例如CNN RNN之类的。

    神经网络一般被用来捕捉复杂情况下的特征,比如说视频图像中的动物类别、一名作家的写作风格等等。

    大脑神经元

    人脑可能有1000多亿个神经元,每个神经元都可能在几个方向上互相连接着,这么大量的神经元及连接就形成了一个超级大型的网络。我们就是因为这些网络而存在各种各样的思想和意识。

    image

    大脑神经元即是脑神经细胞,主要包括细胞体、树突、轴突、突触等。

    • 细胞体,由细胞核、细胞质和细胞膜组成。它是神经元新陈代谢的中心,是接收信息并处理的部件。
    • 树突,是细胞体向外延伸树枝状的纤维体,它是神经元的输入通道,接收来自其他神经元的信息。
    • 轴突,是细胞体向处延伸的最长最粗的一条树枝纤维体,即神经纤维,它是神经元的输出通道。轴突有髓鞘纤维和无髓鞘纤维两种结构形式,两者传递信息的速度不同。轴突末端有许多向外延伸的树枝状纤维体,称为神经末梢,它是神经元信息的输出端。
    • 突触,神经元的神经末梢与另一神经元树突或细胞体的接触处即为突触。每一个神经元都通过突触与其他神经元联系,细胞之间通过突触建立起连接,从而实现信息传递,每个神经元约有103~104个突触。

    展开全文
  • 基于卷积神经网络的语义分割技术及其在脑神经影像应用中的研究进展.pdf
  • 神经网络与人工

    2018-04-23 12:27:34
    神经网络与人工 是一个比较专业人工智能神经网络拓扑文献,有很大的辅助作用
  • 从大脑结构到人工神经网络

    千次阅读 多人点赞 2019-07-12 09:02:26
    神经网络能解决非线性的复杂的模型问题,而且通过增加网络的层数将具备更加强大的学习能力,另外如果再改造改造层的结构则变成各类深度学习模型,例如CNN RNN之类的。 神经网络一般被用来捕捉复杂情况下的特征,比如...

    前言

    神经网络能解决非线性的复杂的模型问题,而且通过增加网络的层数将具备更加强大的学习能力,另外如果再改造改造层的结构则变成各类深度学习模型,例如CNN RNN之类的。

    神经网络一般被用来捕捉复杂情况下的特征,比如说视频图像中的动物类别、一名作家的写作风格等等。

    大脑神经元

    人脑可能有1000多亿个神经元,每个神经元都可能在几个方向上互相连接着,这么大量的神经元及连接就形成了一个超级大型的网络。我们就是因为这些网络而存在各种各样的思想和意识。

    在这里插入图片描述

    大脑神经元即是脑神经细胞,主要包括细胞体、树突、轴突、突触等。

    • 细胞体,由细胞核、细胞质和细胞膜组成。它是神经元新陈代谢的中心,是接收信息并处理的部件。
    • 树突,是细胞体向外延伸树枝状的纤维体,它是神经元的输入通道,接收来自其他神经元的信息。
    • 轴突,是细胞体向处延伸的最长最粗的一条树枝纤维体,即神经纤维,它是神经元的输出通道。轴突有髓鞘纤维和无髓鞘纤维两种结构形式,两者传递信息的速度不同。轴突末端有许多向外延伸的树枝状纤维体,称为神经末梢,它是神经元信息的输出端。
    • 突触,神经元的神经末梢与另一神经元树突或细胞体的接触处即为突触。每一个神经元都通过突触与其他神经元联系,细胞之
    展开全文
  • 基于网络的图卷积神经网络疾病中的研究进展.pdf
  • 基于自适应多任务卷积神经网络网络分类方法.pdf
  • 人工神经网络综述

    2018-03-20 15:48:47
    人工神经网络 (Artificial Neural Network, ANN) 是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在 现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理...
  • 神经网络入门

    千次阅读 2016-12-05 16:41:14
    普通的逻辑回归模型,不能有效地处理这么多的特征,这时候我们 需要神经网络。 神经元和大脑 神经网络是一种很古老的算法,它最初产生的目的是制造能模拟大脑的机器。 神经网络逐渐兴起于二十世纪八九十年代,应用得...
  • BP神经网络matlab代码讲解与实现步骤

    万次阅读 多人点赞 2020-04-02 01:39:51
    BP神经网络matlab代码实现 文章目录BP神经网络matlab代码实现1. BP神经网络的简介和结构参数1.1 BP神经网络的结构组成1.2 BP神经网络训练界面的参数解读2. 实现BP网络的步骤3. matlab代码编写4. BP代码运行结果4.1 ...
  • 无人机类吸引子神经网络导航技术.pdf
  • 一、神经网络是啥? 大脑神经网络就是通过轴突和树突连接在一起的多个神经元集合,单个神经元通过树突从成千上万的神经元接受信息,再通过轴突将信息传递给成千上万个神经元。 人工神经网络就是一种旨在模仿人脑结构...
  • 本文综合整理常用的神经网络,包括生物神经网络、人工神经网络、卷积神经网络、循环神经网络、生成对抗网络;参考了许多高校的课程、论文、博客和视频等。文章的结构是先进行概念了解,然后结合图片、结构图、一步...
  • 基于脉冲神经网络的类计算.pdf
  • 详解BP神经网络

    万次阅读 多人点赞 2018-05-06 11:30:41
      BP神经网络学习算法可以说是目前最成功的神经网络学习算法。显示任务中使用神经网络时,大多数是使用BP算法进行训练.   在我看来BP神经网络就是一个”万能的模型+误差修正函数“,每次根据训练得到的结果与...
  • 学校|东北大学硕士生 研究方向|情绪识别 引言 论文动机  生理学研究表明精神分裂症...此外,大多数研究中提出的架构侧重于单一领域的一种连接度量,如用于功能连接的Pearson相关系数,没有考虑大脑网络的连接方向性
  • 基于卷积神经网络胶质瘤分级.pdf
  • 知网博士论文混沌神经网络是近年来发展起来的一门新的科学,人工神经网络是为了 研究人类的认知过程而发展起来的,它的中心问题是认知与模拟。由于人类 对真实神经系统只了解非常有限一部分,人工神经网络的完善与...
  • 神经项目:理论和神经网络 当前软件: McCulloch-Pitts 模型,网络(python) 麦卡洛克-皮茨神经元 感知器这个很酷,很明显 盖茨 和 NAND 或者 不是 异或 ) 逻辑单元 半加器 全加器 参考 工作 作者 出版商 《...
  • 基于BP神经网络肿瘤MRI图像分割.pdf
  • 基于卷积神经网络MRI分割模型研究.pdf
  • 卷积神经网络概念与原理

    万次阅读 多人点赞 2016-09-05 10:00:27
    一、卷积神经网络的基本概念 ...近年来卷积神经网络在多个方向持续发力,在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至电波分析方面均有突破。 卷积神经网络与普通神经网络的区别在于,卷
  • 神经网络——最易懂最清晰的一篇文章

    万次阅读 多人点赞 2018-08-24 15:43:20
    神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法,同时也可以更好地帮助你理解深度学习技术。  本文以一种简单的,循序的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 46,363
精华内容 18,545
关键字:

脑神经网络