科学网

 找回密码
  注册

tag 标签: 中枢神经系统

相关帖子

版块 作者 回复/查看 最后发表

没有相关内容

相关日志

大脑处理信息量化模型中的细节汇编八 web
XIEQIN 2012-10-25 13:56
大脑处理信息量化模型中的细节汇编八 web
摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章介绍了对于一个训练好的存储有某一特定信息的子网络,较小幅度地修改权值对原来存储在网络中的信息影响不大的一个原因。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理;时间认知;智力起源 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing VIII XIEQIN 1,* Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details. This article explains why after a piece of information was stored into a sub-network , modifying weights of the edges of this sub-network in small range is tolerable. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing; time cognition;origin of intelligence 1 .对于一个训练好的存储有某一特定信息的子网络,较小幅度地修改权值对原来存储在网络中的信息影响不大的一个原因 图一 图二 图三 图四 ( 1 )图一表示一个训练好的存储有某一特定信息的网络,细胞 B 和细胞 A 之间的连接权值为 W0 ,分析的时候,把“波动的阈值”分解为两个值,一个是固定的阈值 Ga, 另外一个是 Ga 波动分值(作为一路输入)。图三和四中的坐标轴为各路输入的和(包括细胞 B 向细胞 A 的输入和 Ga 波动分值)约定区间 A0 表示在细胞 B 向细胞 A 的输入为 1*W0 (而不是 0*W0 )的情况下,各路输入的效果总和所处的范围。在信息处理正确的情况下,区间 A0 中小于 Ga 的区间对应的输入样本输出应为 0 ,区间 A0 中大于 Ga 的区间对应的输入样本输出应为 1 。 ( 2 )现在假设训练好的图一的网络中的一些连接权值受到修改。有两种情况:( 1 ) B 到 A 的权值受到较大的修改,修改后为 W0- ⊿ W1 ,或者 W0+ ⊿ W2 ( 2 ) B 到 A 的权值受到较小的修改,修改后为 W0- ⊿ W1 ’ ,或者W0+ ⊿ W2 ’ 。图三表示了在情况(1 )发生后,处于区间 A1 (长度为 l1+l2 )对应的样本将会出现输出变化的情况(即由输出 1 变为输出 0 ,或者由输出 0 变为输出 1 )。图四表示了在情况( 2 )发生后,处于区间 A1 ’ (长度为l1'+l2' )对应的样本将会出现输出变化的情况(即由输出 1 变为输出 0 ,或者由输出 0 变为输出 1 )。 ( 3 )对比图三和图四,在权值修改比较小的情况下,比较小区间对应的输入样本输出会受影响,因此对原存储的信息影响不大。 ( 4 )对于有多条连接出现权值修改的情况,可以结合联合分布相关理论和上述方法分析。
2005 次阅读|0 个评论
大脑处理信息量化模型中的细节汇编九 web
XIEQIN 2012-10-25 13:47
大脑处理信息量化模型中的细节汇编九 web
摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分:第一部分讨论了关于智力起源的问题。 大脑神经网络的各个生化参数(如不同 O2 、 H+ 浓度下细胞的放电频率、细胞间连接修改程度、遗忘率等)和血液循环的时序控制作用、海马结构等生理机制和结构通过文献 所述运作机制相互配合,对不同的信息处理组织起不同的子网络,并保证所保存信息的稳定性 , 从而能准确而高效地处理信息。在此基础上发展起语言机制,进一步可以对不同的信息处理组织起不同的子网络,从而能更准确而高效地处理信息 , 为智力的起源奠定了基础。第二部分介绍了一些关于实现信息可靠存储的细节。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理;时间认知;智力起源 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing IX XIEQIN 1,* Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details, including 2 parts. Part 1 discusses the relationships between the origin of intelligence and the working mechanisms of brain that have been introduced in literatures .Part 2 introduces a reason why the information stored in brain is able to endure for a long time. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing; time cognition; origin of intelligence 1 .关于智力起源 1 可以看到,大脑神经网络的各个生化参数(如不同 O2 、 H+ 浓度下细胞的放电频率、细胞间连接修改程度、遗忘率等)和血液循环的时序控制作用、海马结构等生理机制和结构通过文献 所述运作机制相互配合,对不同的信息处理组织起不同的子网络,并保证所保存信息的稳定性 , 从而能准确而高效地处理信息 . 2 在 1 中所述的基础上发展起语言机制,进一步可以对不同的信息处理组织起不同的子网络,从而能更准确而高效地处理信息 , 为智力的起源奠定了基础。 2 .一些关于信息存储的细节 对于细胞之间的连接,用类似文献 图一到图四的图示分析也可以看到存储信息时需要较大程度改变权值的原因。 ( 1 )图一表示一个网络,细胞 B 和细胞 A 之间的连接权值为 W0 (为叙述方便,不妨假定 W00 ),分析的时候,把“波动的阈值”分解为两个值,一个是固定的阈值 Ga, 另外一个是 Ga 波动分值(作为一路输入)。图三和四中的坐标轴为各路输入的和(包括细胞 B 向细胞 A 的输入和 Ga 波动分值)约定区间 A0 表示在细胞 B 向细胞 A 的输入为 1*W0 (而不是 0*W0 )的情况下,各路输入的效果总和所处的范围。区间 A0 中小于 Ga 的区间对应的输入样本输出为 0 ,区间 A0 中大于 Ga 的区间对应的输入样本输出为 1 。 ( 2 )现在讨论往网络中存储信息的场景, B 和 A 之间连接权值受到修改,从而实现 B 细胞和 A 细胞同步兴奋(或者 B 细胞兴奋的同时 A 细胞抑制)。有两种情况:( 1 ) B 到 A 的权值受到较大的修改,修改后为 W0+ ⊿ W2 (或者 W0- ⊿ W1 )。( 2 ) B 到 A 的权值受到较小的修改,修改后为 W0+ ⊿ W2 ’ (或者 W0- ⊿ W1 ’ )。图三表示了在情况( 1 )发生后,处于区间 A1 中小于 GA 的长度为 l2 的子区间对应的样本将会出现由输出 0 变为输出 1 (或者处于区间 A1 中大于 GA 的长度为 l1 的子区间对应的样本将会出现由输出 1 变为输出 0 )。图四表示了在情况( 2 )发生后,处于区间 A1 ’ 中小于 GA 的长度为 l2' 对应的样本将会出现由输出 0 变为输出 1 (或者处于区间 A1 ’ 中大于 GA 的长度为 l1' 对应的样本将会出现由输出 1 变为输出 0 )。 ( 3 )对比图三和图四,图三比较大区间对应的输入样本输出为 1 (或者为 0 ),从而为实现在信息存储完成后,实现 B 细胞和 A 细胞同步兴奋(或者 B 细胞兴奋的同时 A 细胞抑制)的概率大提供了可能性;也为在以后出现权值被干扰修改的情况下,输入样本输出发生变化的概率相对比较小提供了可能性。例如:为在以后出现权值被干扰修改的情况下,在 B 细胞向 A 细胞输入为 1 的情况下, A 细胞输出为 1 的概率仍然比较大(或者在 B 细胞向 A 细胞输入为 1 的情况下, A 细胞输出为 0 的概率仍然比较大)提供了可能性,从而实现信息的可靠存储。 ( 4 )通过“用输入输出向量样本集合的分布特性存储信息,在信息存储和提取时采用前面文献所述运作机制”,大脑解决了大规模神经网络处理复杂信息时的样本量和网络规模匹配问题,并保证了信息的可靠存储,从而有利于大脑准确而高效地处理信息。 图一 图二 图三 图四
2464 次阅读|0 个评论
大脑处理信息量化模型中的细节汇编十 web
XIEQIN 2012-10-25 13:37
大脑处理信息量化模型中的细节汇编十 web
摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分:第一部分给出了应用结构风险最小化相关理论对大脑处理信息的过程进行分析的图示 。第二部分给出了一些说明。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理;时间认知;智力起源 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing X XIEQIN 1,* Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details, including 2 parts. Part 1 gives two figures about application of structural risk minimization theory. Part 2 gives some explanations. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing; time cognition; origin of intelligence 1 .应用结构风险最小化工具分析大脑处理信息过程的图示 图一和图二给出了应用结构风险最小化工具分析大脑处理信息过程的图示: ( 1 )以时间轴上的点 t0 为参考点,在每个样本时间长度 L 固定的情况下,如果样本开始时间点为 t0 + t ,对于 t 在实数域的每个取值,对应一种样本量化方法,神经网络在时间轴上的兴奋状况将会量化成一个向量集合。例如样本开始时间点为图中的开始时间点 1 ,开始时间点 2 ,开始时间点 3 对应三种量化方法。 ( 2 )样本开始时间点为 t0 + t + N*L (N 为整数 ) 的各种量化方法量化得到的向量集合相同, 例如样本开始时间点为图中的开始时间点 1 和开始时间点 3 的两种量化方法量化得到的向量集合相同,向量的分布函数也相同。 ( 3 )如果样本量化得到的向量增加一维时戳标记,标记的值可以是这个样本的观察点(参考文献 )所对应的时间点,则各种量化方法量化可得到一系列的扩维向量集合,每两个扩维的向量集合内的元素可以建立一一映射。 ( 4 )当相关网络范围减小时,对于每种量化方法( t 取不同的值)都可看到,在训练样本数量有限的情况下, 相关网络范围减小了,降低了结构风险,有利于网络正确而高效地处理信息。 图一 图二 2 .一些说明 ( 1 )文献 图三中的“ 80% ”是为了说明红圈内外细胞之间的连接修改程度差异(细胞兴奋程度差异决定)而约定的值,也可约定为“ 30% ”,“ 50% ”,“ 90% ”等。在图三中,为方便理解,可改约定为“ 30% ”。 ( 2 )神经网络中受体调整次数的总和也是网络训练过程中网络调整次数的一个上界;但在考虑信息处理系统行为的时候,还要考虑调整程度足够强的次数的总和。 ( 3 )在考察生物神经网络运作时,如果输入输出向量样本对相应网络各边的权值都没有修改,可作为信息提取过程处理。 ( 4 )另外一种量化方案:对于网络中的每个细胞,在时间轴上每个时间点都建立观察点,将该时间点上细胞的阈值电位和膜电位考虑各种因素后换算成波动阈值输入。对其他每维输入扩展一维伴生输入,如图三中对细胞 A 输入 Input 1 扩展伴生维 Input 1’ ,对输入 Input 2 扩展伴生 Input 2’… ;伴生输入 Input i’ 的权值和输入 Input i 的权值相同 , 在网络训练过程中,如果权值有修改,两者修改值相同; Input i’ 的取值是,如果产生输入 Input i 的输入样本对应的时间点属于细胞(图三中是细胞 B1 或者 B2 )的绝对不应期(或约定膜电位超过阈值电位后一定长时间内,不包含达到阈值电位时间点),则 Input i’ 取 1 ,其他时间取 0 。 图三 由( 2 )、( 3 ),结构风险最小化理论可以和这种量化方案结合起来分析生物神经网络的运作。
2515 次阅读|0 个评论
references
XIEQIN 2012-10-11 12:40
谢勤,王乙容.大脑处理信息的过程存储与重组模型 .现代生物医学进展, 2007 , ( 3) : 432-435 , 439 Xie Qin, Wang Yi-rong. Storing and Re-engineering of Models of Cerebral Information Process . Progress of Modern Biomedicine, 2007,(3):432-435,439 谢勤.血液循环在大脑信息处理过程中的时序控制作用 .现代生物医学进展, 2008 , ( 6) : 1152-1159 Xie Qin. Timer Role of Blood Circulation When Brain Processing Information .Progress of Modern Biomedicine, 2008, (6):1152-1159 谢勤.过程存储与重组模型 . www.sciam.com.cn , 2006 Xie Qin. Model of Process Storing and Recalling .www.sciam.com.cn, 2006 谢勤.一种关于脑电波起源和含义的观点 .中国神经科学学会第七次全国学术会议论文集.北京:科学出版社, 2007 : 144 Xie Qin. A Viewpoint about origin and meaning of EEGs .Proceedings of the 7 th Biennial Meeting and the 5 th Congress of the Chinese Society for Neuroscience. Beijing: Science Press, 2007:144 谢勤.血液循环在大脑信息处理过程中的时序控制作用整理 .中国神经科学学会第八次全国学术会议论文集.北京 : 科学出版社 , 2009 : 135 Xie Qin. A Review of Timer Role of Blood Circulation When Brain Processing Information .Proceedings of the 8 th Biennial Meeting of the Chinese Society for Neuroscience. Beijing: Science Press. 2009: 135 谢勤.血液循环在大脑信息处理过程中的时序控制作用整理 .中外健康文摘 , 2011 , 8( 20) : 93-98 Xie Qin. A Review of Timer Role of Blood Circulation When Brain Processing Information .World Health Digest, 2011, 8(20) : 93-98 谢勤.大脑处理信息的样本量和网络规模问题 .中外健康文摘, 2011 , 8( 21) : 88-91 Xie Qin. Matching Problem of Sample Quantity and Network Scale when Brain Processing Information .World Health Digest, 2011, 8(21): 88-91 谢勤.大脑处理信息量化模型中的另一种样本重组方案 .中外健康文摘, 2011 , 8( 22) : 209-210 Xie Qin. Another Sample Recombination Solution for Quantitative Model of Brain Information Processing .World Health Digest, 2011, 8(22): 209-210 谢勤.大脑处理信息的样本量和网络规模问题 .中国神经科学学会第九次全国学术会议论文集.北京 : 科学出版社 , 2011 : 366 Xie Qin. Matching Problem of Sample Quantity and Network Scale when Brain Processing Information .Proceedings of the 9 th Biennial Meeting of the Chinese Society for Neuroscience. Beijing: Science Press. 2011 : 366 谢勤.大脑处理信息量化模型中的细节汇编 .中外健康文摘, 2011 , 8( 48) : 78-80 Xie Qin. Details of Quantitative Model of Brain Information Processing .World Health Digest, 2011, 8(48): 78-80 谢勤.大脑处理信息量化模型中的细节汇编二 .中外健康文摘, 2012 , 9(4) : 101-102 Xie Qin. Details of Quantitative Model of Brain Information Processing II .World Health Digest, 2012, 9(4):101-102 谢勤.大脑处理信息量化模型中的细节汇编三 .中外健康文摘,已 发表 Xie Qin. Details of Quantitative Model of Brain Information Processing III .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编四 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing IV .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编五 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing V .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编六 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing VI .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编七 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing VII .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编八 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing VIII .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编九 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing IX .World Health Digest 谢勤.大脑处理信息量化模型中的细节汇编十 .中外健康文摘, 已发表 Xie Qin. Details of Quantitative Model of Brain Information Processing X .World Health Digest
2573 次阅读|0 个评论
另外一种量化方案
XIEQIN 2012-8-24 08:47
另外一种量化方案
1 神经网络中受体调整次数的总和也是网络训练过程中网络调整次数的一个上界;但在考虑信息处理系统行为的时候,还要考虑调整程度足够强的次数的总和。 2 在考察生物神经网络运作时,如果输入输出向量样本对相应网络各边的权值都没有修改,可作为信息提取过程处理。 3 另外一种量化方案:对于网络中的每个细胞,在时间轴上每个时间点都建立观察点,将该时间点上细胞的阈值电位和膜电位考虑各种因素后换算成波动阈值输入。对其他每维输入扩展一维伴生输入,如图中对细胞 A 输入 Input 1 扩展伴生维 Input 1’ ,对输入 Input 2 扩展伴生 Input 2’… ;伴生输入 Input i’ 的权值和输入 Input i 的权值相同 , 在网络训练过程中,如果权值有修改,两者修改值相同; Input i’ 的取值是,如果产生输入 Input i 的输入样本对应的时间点属于细胞(图中是细胞 B1 或者 B2 )的绝对不应期(或约定膜电位超过阈值电位后一定长时间内,不包含达到阈值电位时间点),则 Input i’ 取 1 ,其他时间取 0 。 由1、2,结构风险最小化理论可以和这种量化方案结合起来分析生物神经网络的运作。
2852 次阅读|0 个评论
关于网络中权值调整次数上界
XIEQIN 2012-8-17 09:19
神经网络中受体调整次数的总和也是网络训练过程中网络调整次数的一个上界;但在考虑信息处理系统行为的时候,还要考虑调整程度足够强的次数的总和。
2437 次阅读|1 个评论
大脑处理信息量化模型中的细节汇编七
XIEQIN 2012-8-13 09:19
大脑处理信息量化模型中的细节汇编七.doc 摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分,第一部分介绍了“抑制性连接”和“突触长时程抑制”两个概念的区别;第二部分给出了“由于 LTD 有文献 所描述的特性, 可以看到血液循环机制有能力控制处理特定信息时相关网络的范围 ”的相关图示。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理;时间认知 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing VII Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details, including 2 parts. Part 1 tells the differences between two concepts: “depress connection” VS “synapse LTD”; Part2 introduces some pictures about timing control function of blood circulation when brain processing information. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing; time cognition
3175 次阅读|2 个评论
关于样本量化的一个问题
XIEQIN 2012-8-13 08:55
关于样本量化的一个问题
关于样本量化的一个问题
2785 次阅读|0 个评论
关于智力起源, 信息存储时需要较大改变网络边权值的原因
XIEQIN 2012-6-28 18:21
关于智力起源, 信息存储时需要较大改变网络边权值的原因
1 .关于智力起源 1 可以看到,大脑神经网络的各个生化参数(如不同 O2 、 H+ 浓度下细胞的放电频率、细胞间连接修改程度、遗忘率等)和血液循环的时序控制作用、海马结构等生理机制和结构通过文献 所述运作机制相互配合,对不同的信息处理组织起不同的子网络,并保证所保存信息的稳定性 , 从而能准确而高效地处理信息 . 2 在 1 中所述的基础上发展起语言机制,进一步可以对不同的信息处理组织起不同的子网络,从而能更准确而高效地处理信息 , 为智力的起源奠定了基础。 2 .一些关于信息存储的细节 对于细胞之间的连接,用类似文献 图一到图四的图示分析也可以看到存储信息时需要较大程度改变权值的原因。 ( 1 )图一表示一个网络,细胞 B 和细胞 A 之间的连接权值为 W0 (为叙述方便,不妨假定 W00 ),分析的时候,把“波动的阈值”分解为两个值,一个是固定的阈值 Ga, 另外一个是 Ga 波动分值(作为一路输入)。图三和四中的坐标轴为各路输入的和(包括细胞 B 向细胞 A 的输入和 Ga 波动分值)约定区间 A0 表示在细胞 B 向细胞 A 的输入为 1*W0 (而不是 0*W0 )的情况下,各路输入的效果总和所处的范围。区间 A0 中小于 Ga 的区间对应的输入样本输出为 0 ,区间 A0 中大于 Ga 的区间对应的输入样本输出为 1 。 ( 2 )现在讨论往网络中存储信息的场景, B 和 A 之间连接权值受到修改,从而实现 B 细胞和 A 细胞同步兴奋(或者 B 细胞兴奋的同时 A 细胞抑制)。有两种情况:( 1 ) B 到 A 的权值受到较大的修改,修改后为 W0+ ⊿ W2 (或者 W0- ⊿ W1 )。( 2 ) B 到 A 的权值受到较小的修改,修改后为 W0+ ⊿ W2 ’ (或者 W0- ⊿ W1 ’ )。图三表示了在情况( 1 )发生后,处于区间 A1 中小于 GA 的长度为 l2 的子区间对应的样本将会出现由输出 0 变为输出 1 (或者处于区间 A1 中大于 GA 的长度为 l1 的子区间对应的样本将会出现由输出 1 变为输出 0 )。图四表示了在情况( 2 )发生后,处于区间 A1 ’ 中小于 GA 的长度为 l2' 对应的样本将会出现由输出 0 变为输出 1 (或者处于区间 A1 ’ 中大于 GA 的长度为 l1' 对应的样本将会出现由输出 1 变为输出 0 )。 ( 3 )对比图三和图四,图三比较大区间对应的输入样本输出为 1 (或者为 0 ),从而为实现在信息存储完成后,实现 B 细胞和 A 细胞同步兴奋(或者 B 细胞兴奋的同时 A 细胞抑制)的概率大提供了可能性;也为在以后出现权值被干扰修改的情况下,输入样本输出发生变化的概率相对比较小提供了可能性。例如:为在以后出现权值被干扰修改的情况下,在 B 细胞向 A 细胞输入为 1 的情况下, A 细胞输出为 1 的概率仍然比较大(或者在 B 细胞向 A 细胞输入为 1 的情况下, A 细胞输出为 0 的概率仍然比较大)提供了可能性,从而实现信息的可靠存储。 ( 4 )通过“用输入输出向量样本集合的分布特性存储信息,在信息存储和提取时采用前面文献所述运作机制”,大脑解决了大规模神经网络处理复杂信息时的样本量和网络规模匹配问题,并保证了信息的可靠存储,从而有利于大脑准确而高效地处理信息。
3295 次阅读|0 个评论
存储信息时,较小幅度地修改权值影响不大的原因
XIEQIN 2012-6-28 18:15
存储信息时,较小幅度地修改权值影响不大的原因
对于一个训练好的存储有某一特定信息的子网络,较小幅度地修改权值对原来存储 在网络中的信息影响不大的一个原因: ( 1 )图一表示一个训练好的存储有某一特定信息的网络,细胞 B 和细胞 A 之间的连接权值为 W0 ,分析的时候,把“波动的阈值”分解为两个值,一个是固定的阈值 Ga, 另外一个是 Ga 波动分值(作为一路输入)。图三和四中的坐标轴为各路输入的和(包括细胞 B 向细胞 A 的输入和 Ga 波动分值)约定区间 A0 表示在细胞 B 向细胞 A 的输入为 1*W0 (而不是 0*W0 )的情况下,各路输入的效果总和所处的范围。在信息处理正确的情况下,区间 A0 中小于 Ga 的区间对应的输入样本输出应为 0 ,区间 A0 中大于 Ga 的区间对应的输入样本输出应为 1 。 ( 2 )现在假设训练好的图一的网络中的一些连接权值受到修改。有两种情况:( 1 ) B 到 A 的权值受到较大的修改,修改后为 W0- ⊿ W1 ,或者 W0+ ⊿ W2 ( 2 ) B 到 A 的权值受到较小的修改,修改后为 W0- ⊿ W1 ’ ,或者W0+ ⊿ W2 ’ 。图三表示了在情况(1 )发生后,处于区间 A1 (长度为 l1+l2 )对应的样本将会出现输出变化的情况(即由输出 1 变为输出 0 ,或者由输出 0 变为输出 1 )。图四表示了在情况( 2 )发生后,处于区间 A1 ’ (长度为l1'+l2' )对应的样本将会出现输出变化的情况(即由输出 1 变为输出 0 ,或者由输出 0 变为输出 1 )。 ( 3 )对比图三和图四,在权值修改比较小的情况下,比较小区间对应的输入样本输出会受影响,因此对原存储的信息影响不大。 ( 4 )对于有多条连接出现权值修改的情况,可以结合联合分布相关理论和上述方法分析。
2534 次阅读|0 个评论
大脑处理信息量化模型中的细节汇编五
XIEQIN 2012-6-28 18:06
大脑处理信息量化模型中的细节汇编五.doc 摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分:第一部分给出了一些说明;第二部分介绍关于时间感知机制的一些细节。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理;时间认知 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing V Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details, including 2 parts. Part 1 gives some explanations; Part2 introduces some details about the mechanism of time cognition. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing; time cognition
2550 次阅读|1 个评论
大脑处理信息量化模型中的细节汇编四
XIEQIN 2012-6-28 18:03
大脑处理信息量化模型中的细节汇编四.doc 摘要 :文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分:第一部分介绍血液循环的时序控制作用对 Homo-LTD 、 Hetero-LTD 产生范围的影响;第二部分是关于细胞同步兴奋的一些说明。 关键词 过程存储与重组模型;时序控制;微循环;结构风险;中枢神经系统;信息处理 中图分类号: Q426 文献标识码: A 文章编号: Details of Quantitative Model of Brain Information Processing IV Abstract: Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literatures introduced details of the quantitative model. This article introduces more details, including 2 parts. Part1 discusses how timing control function of blood circulation effects Homo-LTD and Hetero-LTD; Part2 discusses details about “group of cells being in a state of excitement synchronously”. Keywords: model of process storing and recalling; timing control; microcirculation; structure risk minimization; CNS; information processing
2584 次阅读|1 个评论
大脑处理信息量化模型中的细节汇编二
XIEQIN 2012-6-28 17:50
大脑处理信息量化模型中的细节汇编二.pdf 【摘要】文献 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 汇总介绍量化模型中的一些细节,本文将继续对更多细节进行介绍,以期同行能更深入理解该模型。文章包括两部分:第一部分介绍了在一些临界场景下怎样判别一个样本是否包含某一动作电位;第二部分介绍了量化模型中对“一个细胞各路输出不同”场景的建模方法。 【关键词】 过程存储与重组模型 时序控制 微循环 结构风险 中枢神经系统 信息处理 Details of Quantitative Model of Brain Information Processing II 【Abstract】 Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. Literature introduced details of the quantitative model. This article introduces more details of the quantitative model, including 2 parts. Part 1 introduces how to tell whether a sample contains a certain AP in some scenarios; Part 2 introduces how to model the scenario “different output branches of a neuron have different output values”. 【Keywords】 model of process storing and recalling timing control microcirculation structure risk minimization CNS information processing
2913 次阅读|1 个评论
大脑处理信息量化模型中的细节汇编
XIEQIN 2012-6-28 17:47
大脑处理信息量化模型中的细节汇编.pdf 【摘要】 文献 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。本文将汇总介绍量化模型中的一些细节,以期同行能更深入理解该模型。文章包括三部分:第一部分作了一些更正;第二部分介绍了在观察的时间精度和空间精度更加精细的情况下,如何确定一个样本中阈值的值;第三部分介绍了大脑处理信息过程中“索引效应”的本质。第四部分介绍理论建立和应用过程中的一些神经网络原理。 【关键词】过程存储与重组模型 时序控制 微循环 结构风险 中枢神经系统 信息处理 Details of Quantitative Model of Brain Information Processing 【Abstract】 Literatures suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. This article introduces details of the quantitative model, including 4 parts. Part 1 gives a correction; Part2 introduces "how to define Gate value" in greater details; Part3 introduces the essential nature of "indexing effect" when brain processing information; Part4 introduces some basic neural network principles of "theorizing". 【Key words】model of process storing and recalling timing control microcirculation structure risk minimization CNS information processing
2647 次阅读|1 个评论
大脑处理信息量化模型中的另一种样本重组方案
XIEQIN 2012-6-28 17:43
大脑处理信息量化模型中的另一种样本重组方案.pdf 【摘要】文章 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。量化模型中涉及网络训练样本的重组问题,文章 已给出一种样本重组方案,本文将介绍另外一种样本重组方案。在量化模型中,每个神经细胞有两种角色,一是某个分解出来的前向网络的输出细胞,一是各前向网络的输入细胞。对于输出细胞这一角色,训练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,每条竖线对应的输入样本经样本重组后成为输入每个前向网络模型的样本。采用不同的样本重组方案不影响量化模型中应用结构风险最小化相关理论进行分析的推导过程。 【关键词】 过程存储与重组模型 时序控制 微循环 结构风险 中枢神经系统 信息处理
2459 次阅读|1 个评论
大脑处理信息的样本量和网络规模问题
XIEQIN 2012-6-28 15:49
大脑处理信息的样本量和网络规模问题.pdf 【摘要】结合人工神经网络领域的理论成果,量化描述大脑处理信息的过程,分析大脑各生化参数、生理机制对具体信息存储、信息提取的影响,将有助于进一步理解大脑的工作原理。本文介绍了一个量化描述大脑信息存储、信息提取的思路,并结合结构风险最小化原理,分析说明大脑在具体信息处理过程中存在样本量和网络规模匹配的问题。在量化模型的帮助下,可以看到,血液循环的时序控制作用、语言机制等能和大脑的生化参数相互配合,实现如下几点,从而使大脑能对不同信息处理组织起相对独立规模受控的子网络,降低结构风险,准确而高效的处理信息:1 在处理特定信息的时候,相关网络中细胞的兴奋程度足够大,并且能维持足够长的兴奋时间 2 在处理特定信息的时候,无关网络中细胞的兴奋程度足够小 3 兴奋程度大小和时间长短不同造成连接改变程度差异,改变程度差异参数和遗忘机制的参数能相互配合 4 在实现差异的基础上,又能保证生化环境的稳定,使信息提取时输入神经网络的样本不和训练样本差别过大 5 子网络的组织有一定的稳定性和灵活性。 【关键词】过程存储与重组模型 时序控制 微循环 结构风险 中枢神经系统 信息处理 【中图分类号】R74【文献标识码】A 【文章编号】1672-5085(2011)21-0088-04 Matching Problem of Sample Quantity and Network Scale when Brain Processing Information 【Abstract】 This article introduces a solution of quantifying the information storing and recalling processes of the brain. The solution is basing on math tools from AI area. Under the framework of the solution, analyzing how biochemical parameters of the brain and kinds of physiological mechanisms of the brain affect the processes of storing and recalling a piece of information, it’s helpful for understanding the working mechanism of the brain. With the help of quantify model, we can see there is a matching problem of network training sample quantity and network scale. Timing control function of blood circulation and language mechanisms etc. solve thismatching problem by organizing respective sub networks when brain processing different pieces of information because: these physiological mechanisms(timing control function of blood circulation, language mechanism, etc) can cooperate with kinds of biochemical parameters of the brain(e.g. O2concentration, discharge rate of cell, forgotten rate etc.). The solution of matching problem result in high accuracy and efficiency when brain processing information. 【Key words】model of process storing and recalling timing control microcirculation structure risk minimization CNS information processing
3520 次阅读|1 个评论
抗体能清除中枢神经系统中的狂犬病毒吗?
热度 30 yanjx45 2011-8-2 11:04
许多网友,特别是其中的“恐狂症”患者最喜欢提出这样的疑问:狂犬病毒一旦进入神经细胞,接种疫苗后产生的抗体是否就没有用了?由于血脑屏障 (BBB) 的存在,抗体是否无法进入中枢神经系统 (CNS) ,因而无法清除其中的病毒?狂犬病毒是否会在 CNS 中潜伏,并在多年后发作? 科学是不断发展、进步的。大量原有的和新发现的证据都表明,狂犬病毒的抗体不仅能中和掉外周神经细胞内的病毒,在一定条件下也可能彻底清除 CNS 中的病毒;而 在任何情况下,狂犬病毒都不可能在 CNS ( 包括脑和脊髓 ) 中长期潜伏。 (一)狂犬病的病理学 WHO 在今年 2 月发布的系列丛书之一“狂犬病的免疫学基础”中就明确指出:“将有毒力的狂犬病毒接种到模型动物,病毒可能在接种部位(通常在肌肉组织)复制,也可能不经复制而直接进入分布在伤口附近的外周神经。 狂犬病毒一旦进入神经元,则它有潜在的可能被中和,虽然早期研究认为这种可能性较低。……有大量实例证明,在病毒暴露发生几天甚至几个月后才进行暴露后预防 (PEP) 也可能会有效,说明狂犬病毒中和抗体 (RVNA) 有时也可能将狂犬病毒从中枢神经系统( CNS )中清除。” 狂犬病毒通过伤口或与粘膜表面直接接触而进入体内,但病毒不能穿过没有损伤的皮肤。狂犬病毒又称慢病毒,增殖速度很慢。少量病毒刚进入体内时,不进入血液循环(通常在血液中检测不到狂犬病毒)。病毒粘附或进入几类细胞,例如运动和感觉神经,通过神经内的逆向轴浆流动向 CNS 移动。病毒移动的速度很慢,为每天 15-100mm 。根据侵入的病毒量和侵入部位,狂犬病潜伏期为 2 周到 6 年不等(平均 2-3 个月)。病毒侵入部位越靠近 CNS ,潜伏期就可能越短。在潜伏期,狂犬病毒主要在外周肌肉或神经细胞中存在。 狂犬病的最短潜伏期可能只 10 天左右,通常发生在头面部严重咬伤、又没有同时接种免疫球蛋白的人。疫苗引发的抗体要到 14 天后才能达到一定滴度,对这类潜伏期特别短的病人可能就太晚了。 狂犬病毒是嗜神经病毒,一旦进入 CNS 后会迅速增殖(但仍比其他多数病毒慢),如无抗体抑制,推测数天(如 3 - 5 天)内会感染 CNS 中的大量细胞,从而引发症状。从少数病毒到达大脑,到病毒增殖到一定的数量,并引起大脑功能障碍 ( 表现为发病 ) ,需要一定的时间,也就是说仍有一个较短的潜伏期。但这个时间相对较短,即 狂犬病毒不可能在 CNS 中长期潜伏。 病毒在进入大脑后,在开始快速增殖的同时,也会从 CNS 通过顺向轴浆流动进入周围神经,导致邻近的某些非神经组织(如唾液腺)的感染。唾液腺的解剖位置离大脑实际上非常近。唾液腺等部位可能在大脑功能明显受损 ( 即发病 ) 之前 1-3 天就有病毒分泌出来,即 在发病前一个很短时间内就可能有传染性 。 当然,如抗体产生太迟,病毒不仅进入了大脑,而且已经将大脑的功能破坏了,即如果病人已发病,此时再清除病毒为时已晚,并不能挽救患者的生命。 (二)判断狂犬病发病风险的一个简单实用的标准 狂犬病毒进入 CNS 后,在 3-5 天内,要么被清除,要么发病,即只有很短的潜伏期。狂犬病人一旦发病,通常在一周内就会死亡。在任何情况下,狂犬病毒都不可能在 CNS 中长期潜伏。 狂犬病不存在隐性感染,即不可能像其他某些传染病一样,部分被感染者不发病,而且还可能在随后产生免疫力。狂犬病也不存在所谓“健康带毒”或病后康复 ( 治愈 ) 的可能。虽接种了疫苗,如果在疫苗发挥作用前就开始发病,仍是 100% 必死无疑。 实际上疫苗接种失败多数都出现在第一针开始后的 20 天之内,主要是头面部被严重咬伤的患者。目前的世界纪录是有一例在接种完疫苗后第 3 天仍然发病的。如果过了这个时间还未发病,以后再发病的可能性几乎不存在。 狂犬病毒不引起大脑细胞形态的改变,狂犬病毒在人体内的行踪在发病前是无法检测的,只能根据症状判断功能是否受损。“发病”前检测到足夠高的抗体,就证明其大脑功能尚未受损,至少是未严重受损,他以后就不会再发病。 十余年来,凡在发病前在我们单位检测到抗体效价为 0.5 IU/ml 以上的,没有一例死亡。 曾有实验检测脑脊液 (CFS) 中的抗体来代表脑内的抗体含量。但这种检测技术要求高,风险高 ( 可能造成人为的大脑感染 ) ,通常也没有必要,因在绝大多数情况下来检测的人并未发病,病毒也未进入大脑。 从以上介绍我们可以得到一个基本的结论: 只要在发病前接种完了疫苗,产生了抗体,体内(包括 CNS 内)就不可能再有狂犬病毒“潜伏”。 检索国内外的相关文献资料,基本未发现与此标准相违背的病例。这是一个简单实用的判断标准,可以将绝大多数“恐狂症”患者从对狂犬病的盲目恐惧中解放出来。 (三)抗体能清除 CNS 中的狂犬病毒的若干证据: 1.  如前所述,有大量统计资料显示,将被狗咬伤后推迟一个月甚至更长时间接种疫苗的人与那些根本未接种疫苗的人相比,仍显著提高了生存率。越早接种,生存率越高。但推迟接种也仍然可能有效。 2.  西方发达国家用最现代的生命支持系统维持狂犬病患者的生命,某些经积极抢救维持了较长时间生命的患者在死后尸检时,发现全身(包括 CNS )的狂犬病毒都被彻底清除干净,这证明机体固有的免疫应答能够清除体内感染的狂犬病毒,可以间接证明抗体可进入 CNS ,清除 CNS 中的病毒。只是清除太晚也没有用,此时如果患者的大脑功能已受损,仍不能避免死亡。美国医生 Willoughby ( 他的团队于 2004 年在世界上首次治愈未接种过狂犬病疫苗的狂犬病人 ) 认为,神经传导功能紊乱,包括自主神经功能异常,是狂犬病患者死亡的主要原因,因而通过麻醉抑制患者神经系统功能减退,直至机体产生固有免疫应答,似乎是一种合理的治疗措施。按这一治疗方案,最近又有治疗成功的报导。 (一个附带的问题:有网友提出疑问:死后对脑组织标本进行 DFA 检测是确诊狂犬病的金标准,狂犬病人死后通常脑中充满了病毒,很容易用荧光标记的抗体进行检测、确证。你怎么又说病人死后病毒可以从 CNS 被彻底清除呢?上述“金标准”是否也会不适用呢? 回复:“狂犬病人在死后体内病毒已经被彻底清除”仅是极个别情况,只出现在国外采取了特殊措施大大延长了病人生命的情况下。“金标准”仍是金标准。) 3.  数十年来全世界疫苗生产和监管部门用于检测狂犬病疫苗效价的标准试验-- NIH 试验,也可直接证明抗体能从 CNS 中清除狂犬病毒。 该实验的过程可简述如下:给多组小鼠分别接种不同稀释度的待试疫苗和参考品疫苗,在第 1 天和第 7 天各接种 1 次,到第 14 天,直接往小鼠大脑中注射一定数量的活病毒,看多大浓度的疫苗能保护小鼠在接种病毒后的 14 天内一直成活。 每一批人用狂犬病疫苗在出厂前都要在小鼠体内做 NIH 试验,这类实验所用的预先定量的活病毒是直接注射到小鼠的脑内,等于注射到 CNS 。该实验可充分证明疫苗产生的抗体能清除大脑中的病毒。这样的实验在中国几乎天天在进行。 4.  全球最权威的狂犬病研究单位之一――美国 Wistar 研究所于 1992 年 8 月在美国科学院院报( PNAS )上曾发表一篇题为《抗体介导的将狂犬病毒从 CNS 清除的机制》的研究论文,证明有些单克隆抗体在体外可抑制病毒的传播和病毒 RNA 的转录;在动物实验中,用该单抗对暴露后的小鼠和大鼠进行治疗,证明抗体可清除 CNS 中的病毒,防止致命的狂犬病毒的感染。 小鼠体内实验的过程:按每组 10 只小鼠,接种 5 种糖蛋白特异的单克隆抗体,分别用 4 种浓度( 10 , 2 , 0.4 , 0.08 IU/0.1 毫升),每只小鼠接种 0.1 毫升到腓肠肌。 24 小时后,小鼠肌肉注射 0.1 毫升 CVS - 24 病毒。动物在接种病毒后观察 3 周,每天记录发病和和死亡数量。结果:单克隆抗体 1112-1 在浓度低至 0.08 IU/0.1 毫升的情况下,仍能保护 80% 的小鼠,而对照组(没有使用单抗)小鼠全部死亡。 大鼠体内实验:将大鼠通过滴鼻感染狂犬病毒。在感染后的不同时间( 1 , 2 , 4 , 8 , 12 ,和 24 小时),用单克隆抗体 1112-1 ( 0.1 毫升含有 30 IU 单抗)进行治疗。鼻内接种病毒后,狂犬病毒基因组在感染后 6 小时在嗅球处可检测到,感染后 12 小时在中脑处可检测到。在感染后 12 和 24 小时进行治疗,分别有 100% 和 80 %的动物没有狂犬病毒感染的迹象, 30 天后在幸存的动物的大脑未能检测到病毒 RNA 。与此相反,所有未使用单抗的动物死于狂犬病毒感染。这个实验表明,抗体能介导狂犬病毒从被感染的神经组织的清除,从而防止了致命的狂犬病毒脑脊髓炎导致的死亡。 5.  有些正在试验中的新型狂犬病毒减毒活疫苗在小鼠已发病但处于发病早期时接种,仍能挽救小鼠的生命,这也证明抗体可能进入 CNS ,而且病毒本身可在 CNS 中产生抗体。 (四)机理:抗体如何通过血脑屏障? 抗体如何通过血脑屏障( BBB ),达到感染的神经元? BBB 的通透性是相对的而不是绝对的,会受很多因素影响而发生改变。新的资料证明抗体也可在脑脊液中检出,但由于 BBB 的存在,与外周血液中的抗体相比,在脑脊液中虽然也可检测到中和抗体,但出现的时间稍晚、浓度稍低。 狂犬病毒的颗粒含有多种 ( 多个 ) 蛋白质和核酸大分子,每个病毒颗粒比单个的抗体分子的体积要大许多。比抗体分子大得多的狂犬病毒颗粒是怎样突破 BBB 进入 CNS 的呢?推测狂犬病毒作为嗜神经病毒,为能成功地入侵 CNS ,必然具有能主动地导致血 / 脑屏障破坏的功能。已知一种嗜神经的流感病毒在小鼠中就会显示这种功能。推测狂犬病毒也能破坏 BBB ,改变其通透性。据此也可推论狂犬病疫苗诱生的抗体也可能利用 BBB 在病毒感染状态下通透性的改变,乘机涌入 CNS ,追杀狂犬病毒。 在前述证据 4 的实验中,狂犬病毒感染的大鼠用抗体治疗后,其大脑在显微镜下未发现神经细胞受损伤的迹象。在 CNS 中,狂犬病毒抗体介导的病毒清除机制,不同于抗体依赖性细胞介导的细胞毒作用或补体依赖的裂解作用。抗体可以在 CNS 遭受病毒入侵后,抑制病毒从细胞到细胞的传播,阻断病毒 RNA 的转录和复制,从而阻止病毒感染。除了抗体,病毒感染诱导的细胞因子、神经肽和神经递质等其他因素也可能参与清除过程。 总的来讲,尽管目前可以肯定,狂犬病毒中和抗体在一定条件下也可能彻底清除 CNS 中的病毒,但与其他许多嗜神经病毒相比,对狂犬病毒抗体的相关作用机制的了解还不是很清楚,有待进一步深入研究。
个人分类: 狂犬病防治|43415 次阅读|78 个评论
我们是如何发现互联网神经元的
liufeng 2009-9-7 09:36
作者:刘锋 我们知道人脑中最重要,最基本的单位是神经元,2007年互联网虚拟大脑被提出时,其最根本的原因也是在于互联网神经元结构的发现,而这一结构是如何被发现的,本文将进行详细的介绍。 2005年6月,我在中国科学院研究生院管理学院试图建立一个学术交易网站,希望将科学院专家的知识与企业难题对接起来,在编写程序的过程中,由于商业模式的调整,我发现使用一个BBS源程序可以任意变形成类新浪的新闻网站,类淘宝的电子商务网站,类博客网的博客网站,类维基百科的维基网站,类新浪爱问的互动问答网站。 2005年7月,我们提出包括新闻,电子商务,博客,维基百科等诸多互联网应用都起源与电子公告牌(BBS),其中互动问答类网站被命名为威客(witkey). 随着对威客模式研究的深入,我们认为威客应该与博客,电子邮箱结合形成新的商业模式,2007年4月,针对这个新商业模式,威客地图概念提出并形成图示(图1)。正是由于这个图形的描绘,互联网神经元第一次被意识到了存在。 通过对神经学,知识管理和计算机网络知识的学习研究,2008年5月,我们在《世界上第一张互联网虚拟大脑结构图》中描绘出映射型互联网神经元(图2)。这个神经元的发现完成了人脑与互联网的链接,因为互联网不可能通过物理手段直接将线路和信号接驳到人的大脑中。于是人脑的知识功能被映射到互联网中并完成相应的功能。 图2互联网虚拟神经元与人类大脑神经元 应该明确指出,映射型互联网神经元是互联网最重要的神经元结构,但不是唯一的神经元类型,其他神经元类型还有互联网感觉神经元,互联网运动神经元,互联网数据挖掘与数据整理神经元,互联网特异类神经元等,详细的介绍将在以后的文章中介绍。 更多互联网虚拟大脑理论内容请访问: http://www.intevl.com 电子书《互联网进化论》第四版下载: http://www.intevl.com/Int-Evo-law.rar
个人分类: 观点评述|4315 次阅读|2 个评论
正在形成的互联网中枢神经系统
liufeng 2009-9-3 10:49
作者:刘锋 很明显,互联网目前还很不统一,网络协议,计算机操作系统,数据库应用存在不同版本,同一个服务重复存在于不同的网站中,例如我们希望开设博客展示自己,就需要在新浪,搜狐,网易,csdn等多个网站进行注册,更新博客的过程因此变得非常繁琐。互联网的分裂现象增加了建设互联网的成本,降低信息沟通的效率,浪费互联网用户网的时间。同时这种分裂现象也会阻碍新商业模式的出现,如信用体系的建立,互联网用户虚拟社交圈子的建立等。为了解决这些问题,互联网的进化必然做出反应, 而反应的结果就是开始形成互联网的中枢神经系统, 互联网服务方面,大型网站不断相互兼并,寡头互联网服务商正在形成,例如新闻领域的新浪,搜狐,游戏领域的网易,盛大,巨人,电子商务领域的阿里巴巴,淘宝,搜索领域的谷歌,百度,求职领域的51job,智联招聘等,互联网硬件设施和软件服务方面,从2007年开始,互联网的核心服务器和应用也开始出现集中化的趋势,云计算,SAAS就代表了这种趋势。通俗的讲,云计算,SAAS就是将传统上分散在个人计算机上的应用集中在若干个大型服务器中,互联网用户通过终端使用大型服务器提供的互联网服务,如在线办公软件,在线游戏软件,在线杀毒软件,在线财务软件等等。从这些特点看,它们都具备了互联网虚拟中枢神经系统的雏形。 互联网虚拟中枢神经系统 从互联网虚拟大脑的角度看,互联网中枢神经系统的硬件基础是互联网的核心服务器以及联结他们的路由器和交换机,在这些硬件设备上统一运行的虚拟感觉神经元,听觉神经元,视觉神经元,运动神经元,数据整理和挖掘神经元,映射型神经元等互联网应用程序将构成互联网中枢神经系统的软件基础,包含文字,音频,视频,文档等信息的数据海洋将组成互联网中枢神经系统的信息基础. 更多互联网虚拟大脑理论内容请访问: http://www.intevl.com 电子书《互联网进化论》第四版下载: http://www.intevl.com/Int-Evo-law.rar
个人分类: 互联网进化论|4099 次阅读|1 个评论
云计算就是互联网的中枢神经系统
liufeng 2009-4-30 00:39
云计算是一个2007年9月开始兴起的互联网新概念,它到底是什么意思? 对于互联网,云计算究竟意味着什么? 什么是云计算? 通俗的讲,就是你不用在自己的个人计算机里安装办公软件,游戏软件,杀毒软件,财务软件等等等等,所有这些应用放在互联网中的巨型服务器中,无数用户通过更为简单的客户端接受巨型服务器的服务。 这只是一个简单易懂的解释,更详细的介绍请看附录。 2007年10月,Google与IBM开始在美国大学校园,包括卡内基美隆大学、麻省理工学院 、斯坦福大学、加州大学柏克莱分校及马里兰大学等,推广云计算的计划, 什么是人脑的中枢神经系统? 中枢神经系统是人体神经系统的最主体部分,包括脑和脊髓,其主要功能是传递、储存和加工信息,产生各种心理活动,支配与控制人的全部行为。 云计算就是互联网的中枢神经系统 我们在互联网进化论中提出,互联网正在向类人脑的组织结构进化,它将具有自己的虚拟神经元,感觉神经系统,视觉神经系统,中枢神经,自主神经系统等。 到目前为止,美国人还不能清楚的意识到互联网与人脑结构的关系,云计算在本质上就是 互联网的中枢神经系统,认识到这一点。我们才能将云计算与互联网的其他部分有机的结合起来。 图中信息处理中心服务器是 互联网的中枢神经系统的核心,一头它连接了互联网的虚拟感觉,运动,视觉和听觉系统,另一头,它通过互联网的虚拟神经元与互联网用户进行交互。 安放在城市、海洋、太空、沙漠、森林等世界每一个角落的传感器将构成互联网的躯体感觉神经系统,安放在家庭、工厂、旅游区、交通路口的监视器将构成互联网的视觉和听觉神经系统,远程操控挖掘机、潜水器、家用电器、打印机、手术刀的网络软件将构成互联网的运动神经系统, 光纤、同轴电缆、电话线、无线传输媒介及其内部的信息通道构成互联网的神经纤维,搜索引擎的网络蜘蛛,互联网骨干网的路由构成互联网的自主神经系统。2008年开始兴起的云计算, SAAS正在形成互联网的中枢神经系统。 云计算不能由一个公司或一个国家控制 如果我们剥去云计算华丽的外表,发现它就是互联网的中枢神经系统,那我们能够让一个公司或一个国家控制它么?答案明显是不能的,这不仅仅是一个商业行为,它更是一个涉及到国家安全的政治问题,不能被西方人提出的新概念迷惑,我们应该站在更高层面上看待互联网中枢神经的控制与争夺。 关于互联网进化论的简要介绍请点击: http://www.intevl.com/book/25693.html 更多互联网进化论内容请访问: http://www.intevl.com 附:维基百科关于云计算的定义 云计算 是分散式計算技術的一種,其最基本的概念,是透過網路將龐大的運算處理程序自動分拆成無數個較小的子程序,再交由多部伺服器所組成的龐大系統經搜尋、運算分析之後將處理結果回傳給用戶。透過這項技術,網路服務提供者可以在數秒之內,達成處理數以千萬計甚至億計的資訊,達到和「超級電腦」同樣強大效能的網路服務。
个人分类: 互联网进化论|6940 次阅读|6 个评论

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-6-18 07:26

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部