C++ 人工智能算法系列一(神经网络算法基础知识)
2007-12-22 16:50
1051 查看
神经网络是神经元的集合,而神经元在生物学角度看,具有如下行为:
(1)能处于抑制或兴奋状态;
(2)能产生爆发和平台两种情况;
(3)能产生抑制后的反冲;
(4)具有适应性。
且具有如下特性:
1. 神经元的兴奋与抑制
一个神经元的兴奋和抑制两种状态是由细胞膜内外之间不同的电位差来表征的。
在抑制状态,细胞膜内外之间有内负外正的电位差,这个电位差大约在-50—-100mv之间。
在兴奋状态,则产生内正外负的相反电位差,这时表现为约60—100mv的电脉冲。
细胞的兴奋电脉冲宽度一般大约为1ms。
2. 神经元的信息传递及阀值特性
当神经元接受来自其它神经元的信息时,膜电位在开始时是按时间连续渐渐变化的。
当膜电位变化经超出一个定值时,才产生突变上升的脉冲,这个脉冲接着沿轴突进行传递。
神经元这种膜电位高达一定阀值才产生脉冲传送的特性称阀值特性。
传递具单向性(即只能从前一级神经元的轴突末梢传向后一级神经元的树突或细胞体,不能反之。)
与延时性(信息通过突触传递,通常会产生0.5—1ms的延时。)
3. 神经元的信息综合特性
神经元对来自其它神经元的信息有时空综合特性。在神经网络结构上,大量不同的神经元的
轴突末梢可以到达同一个神经元的树突并形成大量突触。来源不同的突触所释放的神经递质
都可以对同一个神经元的膜电位变化产生作用。因此,在树突上,神经元可以对不同来源的
输入信息进行综合。这就是神经元对信息的空间综合特性。对于来自同一个突触的信息,神经
元可以对于不同时间传人的信息进行综合。故神经元对信息有时间综合特性。
4. 神经元的D/A、A/D特性
从神经元轴突上传递的信息是等幅、恒宽、编码的离散电脉冲信号,故而是一个数字量。但在
突触中神经递质的释放和树突中膜电位的变化是连续的。故而,这时说明突触有D/A功能。在神
经元的树突膜电位高过一定阀值时,则又变成电脉冲方式由轴突传送出去。故而,这个过程说明
神经元有A/D功能。这样,信息通过一个神经元传递时,神经元对信息执行了D/A、A/D转换过程。
附:树突是接受从其它神经元传人的信息的入口;
轴突是把神经元兴奋的信息传出到其它神经元的出口;
突触,是一个神经元与另一个神经元之间相联系并进行信息传送的结构。
(1)能处于抑制或兴奋状态;
(2)能产生爆发和平台两种情况;
(3)能产生抑制后的反冲;
(4)具有适应性。
且具有如下特性:
1. 神经元的兴奋与抑制
一个神经元的兴奋和抑制两种状态是由细胞膜内外之间不同的电位差来表征的。
在抑制状态,细胞膜内外之间有内负外正的电位差,这个电位差大约在-50—-100mv之间。
在兴奋状态,则产生内正外负的相反电位差,这时表现为约60—100mv的电脉冲。
细胞的兴奋电脉冲宽度一般大约为1ms。
2. 神经元的信息传递及阀值特性
当神经元接受来自其它神经元的信息时,膜电位在开始时是按时间连续渐渐变化的。
当膜电位变化经超出一个定值时,才产生突变上升的脉冲,这个脉冲接着沿轴突进行传递。
神经元这种膜电位高达一定阀值才产生脉冲传送的特性称阀值特性。
传递具单向性(即只能从前一级神经元的轴突末梢传向后一级神经元的树突或细胞体,不能反之。)
与延时性(信息通过突触传递,通常会产生0.5—1ms的延时。)
3. 神经元的信息综合特性
神经元对来自其它神经元的信息有时空综合特性。在神经网络结构上,大量不同的神经元的
轴突末梢可以到达同一个神经元的树突并形成大量突触。来源不同的突触所释放的神经递质
都可以对同一个神经元的膜电位变化产生作用。因此,在树突上,神经元可以对不同来源的
输入信息进行综合。这就是神经元对信息的空间综合特性。对于来自同一个突触的信息,神经
元可以对于不同时间传人的信息进行综合。故神经元对信息有时间综合特性。
4. 神经元的D/A、A/D特性
从神经元轴突上传递的信息是等幅、恒宽、编码的离散电脉冲信号,故而是一个数字量。但在
突触中神经递质的释放和树突中膜电位的变化是连续的。故而,这时说明突触有D/A功能。在神
经元的树突膜电位高过一定阀值时,则又变成电脉冲方式由轴突传送出去。故而,这个过程说明
神经元有A/D功能。这样,信息通过一个神经元传递时,神经元对信息执行了D/A、A/D转换过程。
附:树突是接受从其它神经元传人的信息的入口;
轴突是把神经元兴奋的信息传出到其它神经元的出口;
突触,是一个神经元与另一个神经元之间相联系并进行信息传送的结构。
相关文章推荐
- 机器学习算法原理总结系列---算法基础之(7)神经网络(Neural Network)
- Deep learning:七(基础知识_2)_终于到神经网络了
- 神经网络基础算法
- 详解神经网络算法所需最基础数据结构Tensor及其相关操作
- 区块链基础知识系列第5课 Hyperledger fabric1.0网络中transaction产生以及流转过程
- 图像处理基础知识系列之四:最大似然和EM(期望最大化)算法简单梳理
- C++基础知识面试精选100题系列(21-30)[C++ basics]
- 神经网络入门基础知识 neural networks basics
- 神经网络基础知识以及Rosenblatt感知器
- c++基础知识,有现成的函数不用,非的自己设计算法,这不是坑爹吗?
- 专家系统/模糊理论/神经网络/遗传算法相关基础知识
- 神经网络(容易被忽视的基础知识)
- [深度学习系列之一] C++ 实现神经网络
- 在matlab基础上简单实现一个神经网络算法
- C++基础知识系列--持续更新
- 机器学习 —— 基础整理(八)循环神经网络的BPTT算法步骤整理;梯度消失与梯度爆炸
- 『C/C++』[C# 基础知识系列]专题一:深入解析委托——C#中为什么要引入委托
- 深度学习基础知识(1)神经网络理解
- 机器学习基础知识-神经网络与深度学习学习笔记(二)
- c++基础知识,有现成的函数不用,非的自己设计算法,这不是坑爹吗?