基于大脑处理信息量化模型的对若干认知问题的分析

2013-10-10谢勤

大家健康(学术版) 2013年22期

谢勤

（广州市科技和信息化局，第16届亚运会组委会信息技术部广东广州 510000）

前言

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等效为对一系列前向网络集合的训练；信息存储的过程是对一系列前向网络的训练过程；信息提取的过程是训练后的前向网络集合对一系列输入样本的处理过程。文献［1－20］还结合结构风险最小化相关理论分析了血液循环的时序控制作用在大脑准确而高效处理信息方面的作用；分析了大脑能正确而高效处理信息，使智力能够诞生的原因；分析了理论建立和应用过程的神经生理学原理、只能有相对真理的神经生理学原因。以上内容涉及多方面的量化细节和生理学机制细节，这里将已发表在文献［1－20］的量化模型和一些细节以综合报告形式再次进行综合介绍，以期对同行更好理解大脑整体运作机制有所帮助，文章是综合报告系列第三篇，阅读本文前建议先阅读《大脑处理信息量化模型和细节综合报告》和《基于量化模型的对大脑高效可靠处理信息实现机制的分析》两篇文章。本文共五点，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；分析理论建立和应用过程的神经生理学原理、只能有相对真理的神经生理学原因，分析了大脑能正确而高效处理信息、使智力能够诞生的原因，文章还介绍了另外一种量化方案。

1 关于一些图示、理论建立和应用过程中的神经网络原理、智力起源和另一种量化方案

1.1 应用结构风险最小化工具分析大脑处理信息过程的图示［1－19］：图1和图2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：［1－19］

（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。［1－19］

（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。［1－19］

（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［10］）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。［1－19］

（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。［1－19］

1.2 关于理论建立和应用过程中的一些神经网络原理［1－10］：这里将以匀速直线运动相关理论为例介绍关于理论建立和应用过程中的一些神经网络原理，图3。在对大量客观事实进行长期观察的过程中，大量的样本进入大脑，样本中重复出现次数多的一些统计特性被神经网络保留下来，形成一张相对稳定的神经网络，表示为网络G，图中用灰色结点和实线表示；样本中重复出现次数少的统计特性，由于形成的连接强度不大，在遗忘机制的作用下不参与这网络G的形成，图中用虚线表示。［1－10］

图1［1－19］

图2［1－19］

上述过程可能在多个大脑中逐步形成，例如人们通过对运动事物的长期观察，形成“速度”等概念（形成图中I、III圈内的相对稳定的网络），这些概念传给另一群人后，继续观察客观现象，形成匀速直线运动相关理论（形成图中II圈内的相对稳定网络，从而形成网络G）。大脑中已建立的相对稳定的子网络和一些其他因素会影响后续观察客观现象过程中对输入样本的处理和样本中统计特性的识别。［1－10］

在匀速直线运动相关理论的建立过程中，人们通过各种方式获得样本，根据样本检验网络G的输入输出，并不断调整网络G，使网络G的输入输出和样本相符，最后网络G相对稳定下来，对应 “Pt＝P0＋V＊T”，和一些相关概念、数字、单位、计算方法等。在理论的建立过程中，一些随机的因素，如灵感等可能在网络建立过程发挥重大作用，使网络在符合样本方面有很大的改善。由于不可能学习完所有客观世界可能出现的样本，所以只有相对真理，只能在客观实践中不断改进理论。［1－10］

当这张网络在大脑中建立起来以后，在观察运动物体并预测T时间后物体位置的场景中，这张网络在“索引效应”的作用下把输入信息抽象为物体原始位置、速度、所经历的时间三个要素，这些信息进入网络G后，输出物体T时间后的位置。在这一场景中活跃的神经网络是网络G和图中标U的连接和细胞共同组成的网络G’。注意在神经细胞群活跃的顺序中，并不一定网络G’中所有细胞同时同强度活跃，而可能在各种时序控制机制或自身特性等的作用下分成几步，如图中分成1、2、3步，分别是I、II、III圈中的细胞群依次活跃程度最强。［1－10］

网络G建立好以后，可以在大脑信息处理的辅助工具，如纸上记录下来，通过信息传播，在不同的大脑中建立这一相对稳定的网络；或者已建有这张网络的大脑因遗忘机制作用，大脑中这张网络不完整存在的时候，重建这张网络。新建的和重建的网络具体相关的细胞和连接权可能会有差异，但都对应“Pt＝P0＋V＊T”，和一些相关概念、数字、单位、计算方法等。［1－10］

图3 关于理论建立和应用过程中的一些神经网络原理［1－10］

1.3 一些说明［1－20］：文献［10］第四部分第二段第一句中，“形成‘速度’等概念”中的“形成‘速度’概念”是指形成速度概念中“表述物体运动快慢”等部分出现时间比较古老的内涵，这部分内涵在文献［10］提到的匀速直线运动相关理论中被保留下来。［1－20］

在这里的叙述中，把“表述物体运动快慢”作为速度概念的一个重要属性，这个属性和其他一系列属性组成的属性集合把速度概念和其他概念区分开。［1－20］

“把‘表述物体运动快慢’作为速度概念的一个重要属性”也可表述为：把“具有‘表述物体运动快慢’内涵”作为速度概念的一个重要属性。

1.4 关于智力起源［1－18］

（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［1－17］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。［1－18］

（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。［1－18］

1.5 一些说明［1－19］

（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。［1－19］

（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。［1－19］

（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4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4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。［1－19］