大脑处理信息的样本量和网络规模问题信息大脑大脑信.doc

会员号:S424400081M
大脑处理信息的样本量和网络规模问题
谢勤1,*
1 广州市科技和信息化局,第16届亚运会组委会信息技术部,广州 510000
*通讯作者
E-mail:xieqin1982@
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
------------------------------------------------------------------------------
作者简介:谢勤,(1982-),男,华南理工大学硕士,最近在亚组委信息技术部专家顾问岗位完成核心信息系统——计时记分和成绩处理系统项目实施管理方面的工作,其中计时记分系统投资一亿。主要研究方向:计算机科学与工程,人工智能,神经生物学。
前言
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相对稳定,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。
1 大脑信息存储、信息提取的一种量化描述
在本节中将介绍一个量化描述大脑处理信息,包括信息存储和信息提取的思路。后面将在这一量化模型的基础上,结合结构风险最小化理论进行分析。

1 目前普遍接受的联系单个神经细胞和整网运作的理论是,大脑通过突触的可塑性进行信息存储并通过多个神经细胞的同步兴奋或者抑制对某一个具体的信息进行处理(图1)。
以图像G为例,大脑存储图像G的过程描述如下:通过红色细胞的同步兴奋,改变G中细胞之间的连接,增大红色细胞群同步兴奋的概率,同时增大红色细胞群兴奋时蓝色细胞群抑制的概率。大脑提取图像G的过程描述如下:由于某些原因,例如外界的刺激信号等使红色细胞群中的几个细胞兴奋程度和兴奋持续时间比大脑中其他大量细胞高和长,由于在存储的过程中,红色细胞同步兴奋的概率大,同时蓝色细胞抑制,因此出现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。
图1 神经网络处理信息的机制示意
Illusion about how brain processing a graphic
* 红圈中的细胞存储了一幅图像G,当图像G意识中浮现的时候,需要红色的细胞兴奋,而蓝色的细胞抑制。
* When brain processing a piece of information (. a graphic G “pop up” in our mind), it’s required that some special cells are active (tag with red), and other cells are depressed