【文章內(nèi)容簡介】 符合大腦內(nèi)神經(jīng)元存儲信息的結(jié)構(gòu)，使得他可以模擬許多心理現(xiàn)象，如串行記憶，次級加強，再加工記憶，預(yù)測制造，不完整再加工記憶等。他還能模擬在刺激作用下的感官反應(yīng)，并能通過回憶感官反應(yīng)的結(jié)果來重復(fù)運動。他不僅能在特殊刺激下預(yù)測行為，也能在沒有特殊刺激下預(yù)測行為。 非線性動態(tài)人工神經(jīng)網(wǎng)絡(luò) 模型 [4] 非線性動態(tài)人工神經(jīng)網(wǎng)絡(luò) ，簡稱為 NDANN 模型 ，他是以非線性動態(tài)系統(tǒng)（ NDS）理論為基礎(chǔ)的人工神經(jīng)網(wǎng)絡(luò)。 NDS 是一個理論方法，其目的是有兩點：首先，他能作為一個分析數(shù)據(jù)的工具；第二 ，他能模擬不同領(lǐng)域的調(diào)查研究。在 NDS 方法中，時間和變化是兩個重要的變量。對系統(tǒng)而言，系統(tǒng)隨時間而產(chǎn)生的變化是直接與外部環(huán)境狀況相互聯(lián)系、相互作用的，系統(tǒng)和環(huán)境的相互作用對自組織和復(fù)雜行為是非常重要的，非線性動態(tài)系統(tǒng)（ NDS）理論在微觀和宏觀上都能反應(yīng)這些聯(lián)系。 NDS 理論可以應(yīng)用在很多領(lǐng)域中，包括神經(jīng)科學(xué)，感知心理學(xué)和認知科學(xué)和社會心理學(xué)，近來 NDS 理論已經(jīng)成為了探測和理解認知現(xiàn)象的必要工具。 NDANN 模型不僅體現(xiàn)了 NDS 的性能水平，而且可以模擬神經(jīng)元活動和低水平認知現(xiàn)象 NDANN 的結(jié)構(gòu)見圖 ， x[0]和 y[0]表示初始輸入狀態(tài)（刺激）； t 是網(wǎng)絡(luò)的迭代數(shù)量； W 和 V 是強度矩陣。網(wǎng)絡(luò)模型由兩層組成，模型可以加工在一個周期中流動的雙向信息。網(wǎng)絡(luò)成產(chǎn)生聯(lián)想記憶和非聯(lián)想記憶，也就是說，他可以進行有導(dǎo)師學(xué)習(xí)也可以進行無導(dǎo)師學(xué)習(xí)。模型兩層的大小是不同的，強度矩陣不需要作轉(zhuǎn)換陣操作。而且，網(wǎng)絡(luò)的每一個單元都對應(yīng)一個神經(jīng)元種群，就好像是在生物神經(jīng)網(wǎng)絡(luò)或心理學(xué)概念上講述的生物神經(jīng)元一樣。 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 7 圖 非線性動態(tài)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 由于當(dāng)前未能全部知曉腦部記憶機 制，故模擬記憶現(xiàn)象設(shè)計的人工神經(jīng)網(wǎng)絡(luò)只能部分模擬記憶過程，這導(dǎo)致模型的信息存儲和處理等方面存在缺陷。結(jié)合生物記憶機制和 NDA 原理的 NDANN 模型可以避免這一缺陷，由于他可以模擬混沌的時間空間行為，因此他也成為一個幫助彌合生物記憶和基于行為模擬 的 存儲模型間差距的有效工具 。 競爭網(wǎng)絡(luò)模型和周期聯(lián)想記憶模型 [5] 競爭網(wǎng)絡(luò)是通過評估他們的強度空間中訓(xùn)練后的隨機變量來進行學(xué)習(xí)的，網(wǎng)絡(luò)最大的特點是能在學(xué)習(xí)環(huán)境出現(xiàn)偏差時正常的學(xué)習(xí)。周期聯(lián)系記憶（ RAM）通常作為模擬不穩(wěn)定原則的分析器，但是 他對環(huán)境偏差很敏感。 競爭神經(jīng)網(wǎng)絡(luò)是由 Rumelhart 和 Zipser 在 1986 年提出的，他是一個簡單的標(biāo)準前饋網(wǎng)絡(luò)，他由兩層組成，分別是隱含層和輸出層，見 圖 （ a） ，其中的虛線箭頭表示無可調(diào)節(jié)強度的抑制連接。 圖 （ a） 競爭神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 8 自適應(yīng)響應(yīng)理論模型，簡稱 ART， 是 Carpenter 和 Grossberg 在 1987 年提出的，他是一個基于生物學(xué)競爭性的網(wǎng)絡(luò)，他以兩個主要問題為基礎(chǔ)，一個是共振（ Grossberg 在 1976 年提 出的）一個是新探測器（是 vigilance 和 Grossberg 在 1976年提出的）。共振是一個平衡狀態(tài)，當(dāng)一個輸出能重新構(gòu)建輸入時，就會出現(xiàn)共振現(xiàn)象， ART1 網(wǎng)絡(luò)僅僅在平衡狀態(tài)到達時學(xué)習(xí)。 ART1 結(jié)構(gòu)見圖 （ b） ，他由兩層單元，網(wǎng)絡(luò)有兩個距離強度集組成， 右邊部分是網(wǎng)絡(luò)的新探測器。 圖 （ b） 自適應(yīng)響應(yīng)理論 模型結(jié)構(gòu) 周期聯(lián)想 憶模型，簡稱 RAM，其結(jié)構(gòu)見圖 （ c） ， W 是強度矩陣，表示一個簡單的線性網(wǎng)絡(luò)， x[t]是網(wǎng)絡(luò)在時間 t 時的 狀態(tài)，灰色正方形式是一個延遲單元。模型規(guī)則是由 Hopfield 在 1982 年提出的，在 1977 年 Anderson 再次強調(diào)了這個原則，模型的參數(shù)不會影響到模型的瞬態(tài)性能。 圖 （ c） 周期聯(lián)想記憶模型結(jié)構(gòu) 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 9 非線性聯(lián)想記憶模型，簡稱 NDRAM，他 是一個非線性 RAM，他能分類灰度值相關(guān)的模式，還能在 RAMs 處于新的連續(xù)刺激下學(xué)習(xí)。在學(xué)習(xí)算法下 ,小數(shù)量的虛假狀態(tài)能顯著改善了網(wǎng)絡(luò)的性能。 NDRAM 的結(jié)構(gòu)見圖 （ d） ，這是一個通常的聯(lián)系記憶模型的主 要結(jié)構(gòu)，但是附加了一個新穎探測器，這個探測器是用來計算輸入和輸出間的聯(lián)系的。 圖 （ d） NDRAM 模型結(jié)構(gòu) 學(xué)習(xí)環(huán)境偏差是 一個合理的行為，是一種先前不平等。許多證據(jù)表明人類大腦能執(zhí)行一系列認知行為， 而不受學(xué)習(xí)環(huán)境偏差影響。 無導(dǎo)師學(xué)習(xí)的聯(lián)結(jié)主義神經(jīng)網(wǎng)絡(luò)被用于計算機科學(xué)中的機器學(xué)習(xí)和心理學(xué)中的模擬人類認知，但是并不清楚他們對先前不平等是否敏感。從模擬記憶的方式上來分，神經(jīng)網(wǎng)絡(luò)模型可分為競爭網(wǎng)絡(luò)模型和周期聯(lián)想記憶模型 。在仿真實驗中，設(shè)置兩個環(huán)境， 一個是簡單環(huán)境，實驗 RAM 模型和競爭神經(jīng)網(wǎng)絡(luò)模型，另一個環(huán)境是復(fù)雜學(xué)習(xí)環(huán)境，實驗 NDRAM 模型和 ART1 模型。通過對這兩大類四個模型的仿真可知，競爭網(wǎng)絡(luò)模型難以適應(yīng)學(xué)習(xí)環(huán)境偏差，而周期聯(lián)想記憶模型則能很好的適應(yīng)這一偏差。 計算機認知神經(jīng)學(xué) 模型 [6] 計算認知神經(jīng)學(xué)模型，簡稱作 CCN 模型?，F(xiàn)代的神經(jīng)網(wǎng)絡(luò)理論在模擬感知時 是作為一種媒介，他們的優(yōu)點是與人類大腦運行機制部分相似，包括離散表示、連續(xù)流動、把記憶模擬為突觸強度等。但是這些模擬方法也有缺點，那就是他們不能完全模擬或盡可能模擬人類大腦的認知過程，構(gòu)建模型結(jié)構(gòu)時，他們首先考慮的是如何優(yōu)化自身的模型結(jié)構(gòu)。 CCN 結(jié)構(gòu)如圖 ，這個網(wǎng)絡(luò)結(jié)構(gòu)是 Ashby 和 Crossley 在 2021 年提出的，粗大的黑色箭頭表示信息的流動。從圖中可知，模型 由早期訓(xùn)練和晚期訓(xùn)練激活，在 TAN學(xué)習(xí)前和其學(xué)習(xí)后的時期中，環(huán)境參數(shù)是得到獎勵的。最初，刺激不能引起 TAN 停止， 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 10 因此 MSN 不能由刺激激起。結(jié)果，在刺激開始后 preSMA/SMA 單元的激勵比暫時不會改變。訓(xùn)練進行一段時間后， TAN 由刺激停止，他釋放了 MSN。這允許 MSN 接收刺激，并引起激勵比在 preSMA/SMA 增加超過基準值 （ SMA=補充動力區(qū)域， VA=丘腦的前腹部核心， VL=丘腦的后腹部核心， GPi=蒼白球內(nèi)部， MSN=中等有刺神經(jīng)元，TAN=tonically 丘腦。 圖 計算機認知神經(jīng)學(xué)模型結(jié)構(gòu) CNN 模型與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)認知模型相比，其有許多優(yōu)點，第一， CCN 模型增加了在模擬行為的數(shù)量限制。 Newell 提出認知理論在根本上是不能被數(shù)據(jù)證明的。增加神經(jīng)行為的數(shù)量能減少候選分類模式的數(shù)量，而且能減少分類的不均勻。第二，CNN模型能顯示出在名義上并不相關(guān)的神經(jīng)科學(xué)行為間的關(guān)系。第三，在很多情況下，研究神經(jīng)科學(xué)本質(zhì)會導(dǎo)致驚奇行為的發(fā)現(xiàn)，而這些行為很難通過一個純粹的認知方法來追溯。第四， CNN 模型使用符合聚集運作的方法來模擬實驗，聚集運 作方法能起到預(yù)測行為和神經(jīng)科學(xué)數(shù)據(jù)的作用。 模擬注意力 注意運動推導(dǎo) 模型 [7] 注意力瞬脫是一種指示注意力的暫態(tài)現(xiàn)象，注意力瞬脫即當(dāng)注意力集中在第一個目標(biāo)，并出現(xiàn)第二個目標(biāo)時，注意力在注意第二目標(biāo)過程中發(fā)生的瞬間注意力脫離現(xiàn) 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 11 象，研究表明注意力由第一個目標(biāo)向第二個目標(biāo)轉(zhuǎn)移的時間是 200500ms。以腦部為基礎(chǔ)的神經(jīng)模型在模擬注意力時通常都是采用研究注意力瞬脫現(xiàn)象，即觀察模型在刺激下對兩個不同目標(biāo)的反應(yīng)。 注意運動推導(dǎo)模型，簡稱 CODAM 模型 ，其 由以下幾個模塊組成： 1， 目標(biāo)映射 ，作用是告知注意力信號的調(diào)節(jié)過程。 2，注意力控制信號產(chǎn)生器（ IMC），在工程控制方法中表達為反向模型控 制器。 3，目標(biāo)模塊， 分為內(nèi)在目標(biāo)模塊和外在目標(biāo)模塊，其用作偏離注意力的運動信號。 4， 工作記憶模塊，功能是作為注意力刺激的評價器。5，注意力控制信號的推導(dǎo)解除器，可以通過對比注意力控制信號和目標(biāo)信號快速產(chǎn)生對錯誤信號的修正，還可以在早期幫助呼叫工作記憶站加快，引入注意力刺激的過程。 6，監(jiān)視器 ，可 以通過計算目標(biāo)信號和預(yù)測信號的值產(chǎn)生一個錯誤信號。模型結(jié)構(gòu)見圖 ，開環(huán)表示目標(biāo)，閉環(huán)表示干擾項或隱藏項，黑線表示興奮連接，灰線表示抑制連接。 圖 CODAM 模型結(jié)構(gòu) CODAM 模型原本是用于分析發(fā)動機控制的模型，最近才發(fā)現(xiàn)其也可用于模擬注意力。我們可以利用 CODAM 模型模擬注意力瞬脫現(xiàn)象，這可以幫助我們指定出現(xiàn)象的抑制過程， CODAM 模型探索方法可以更為詳細 指明 的注意力過程，這是采用模型模擬注意力并研究注意力過程的模型 ，他 擴展了第二目標(biāo)對仿真影響的理解，闡述了多刺激對仿真的影響和刺激信號間的關(guān)系。 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 12 模擬情緒 模型 [8] 情緒 DUO 神經(jīng)網(wǎng)絡(luò)（ DUONN）是在認知系統(tǒng)水平上通過調(diào)查情緒集合來在機器上模擬人類感知的網(wǎng)絡(luò)模型。相對于其他情緒 DUO 神經(jīng)網(wǎng)絡(luò)而言，其情緒數(shù)據(jù)更多是在他的結(jié)構(gòu)中完成加工的，這使得他能調(diào)節(jié)更多情緒強度（情緒記憶）。模型能使用輸入模式或視覺刺激推測出情緒反應(yīng)，進而能影響網(wǎng)絡(luò)的學(xué)習(xí)和決定過程。 DUONN 由三層組成：一 個輸入層，一個包含有 DUO 神經(jīng)元的隱含層（假如需要可以增加更多隱含層），一個輸出層。除此之外，網(wǎng)絡(luò)還附加有非加工性質(zhì)的偏斜神經(jīng)元和情緒神經(jīng)元。其中 DUO 神經(jīng)元有兩個嵌入式神經(jīng)元：背部神經(jīng)元和腹部神經(jīng)元，他們各自對應(yīng)認知和情緒的數(shù) 據(jù)加工過程。 模型結(jié)構(gòu)見圖 。 圖 DUONN 模型結(jié)構(gòu) 流入 DUONN 的輸入信號是唯一的，這是模擬大腦視覺皮質(zhì)中數(shù)據(jù)從一個共同源流動的結(jié)果。數(shù)據(jù)進入隱含層的 DUO 神經(jīng)元是分成兩部分，腹部情緒流和背部認知流，兩種數(shù)據(jù)流是相同輸入的不同版本。腹部情緒流包含輸入的整體特征，由腹部神經(jīng)元加工處理，背部認知流包含輸入圖像的局部特征，由背部神經(jīng)元加工處理。兩個情緒參數(shù)，焦慮和信心，分別作用在隱含層和輸出層中，表示情緒強度（情緒記憶），情緒強度與在新任務(wù)和做決定時的情緒神經(jīng)元模擬和計算的神經(jīng)學(xué)習(xí)相聯(lián)系。 DUONN 模型現(xiàn)在可以應(yīng)用在面部識別方面，由于模型對整體信號和局部信號是 分行處理，使得在面部識別中，對整體面部信息和局部面部特征處理中，能同步進行，這提高了面部識別的準確性和效率。 模擬語言 語法理解模型 [9] 在認知神經(jīng)科學(xué)中有 一個中心問題 ，那就 是在大腦中有著怎樣的離散神經(jīng)網(wǎng)絡(luò)，使得 他不僅能在語言學(xué)習(xí)和加工過程中使用 ，也能 在非語言認知順序進行學(xué)習(xí) 。 盡管特別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)限制于已知的人類語言系統(tǒng) ,但 當(dāng)前研究 還是在 嘗試匯 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 13 集這些 基于句子加工模型的 數(shù)據(jù)。 通過收集這些數(shù)據(jù)，能學(xué)習(xí)與人相同的語言，并能完成 人工語法任務(wù)。為了理解這個任務(wù)，系統(tǒng)應(yīng)該首先能從文字中區(qū)別出功能字。許多大腦潛在學(xué)習(xí)的行為和時間現(xiàn)象 都要求模型 能在一個分離方式下加工字，而且模型應(yīng)該能在一個工作記憶中存儲字，然后可以在非標(biāo)準命令中通過功能條款取得這個記憶，重組字 將通過功能字 引導(dǎo)到主題任務(wù)。模型能標(biāo)準執(zhí)行非到時任務(wù) ,包括產(chǎn)生新句子。 模型結(jié)構(gòu)見圖 ， 標(biāo)記的每一個部件對應(yīng)于一個 5*5 的漏 積分神經(jīng)元，閉環(huán)和開環(huán)分類字的雙加工流分別對應(yīng) STG 和 MTG。輸入句子在周期網(wǎng)絡(luò) BA47 中編碼， 在STG中安排閉環(huán)分類字的時間表 。 BA45 從 MTG 得到 到開環(huán)分類字。 BA44/6 是 一個工作記憶編碼服務(wù) 器 ，通過在 BA47caudate 中推測閉環(huán)分類字基于語法 的順序，產(chǎn)生在‘預(yù)測、代理、目標(biāo)、接受’的作用。 圖 語法理解模型結(jié)構(gòu) 語法理解模型在現(xiàn)實中，主要應(yīng)用于句子創(chuàng)造和修正。 由于模型運行原則符合大腦對句子創(chuàng)造、修正的加工機制，使其相對于其他句 子創(chuàng)造修正工具而言，修正的句子的準確性更高，更易于閱讀。 數(shù)字空間模型 [10] 在人類認知中，數(shù)字與空間的關(guān)系研究也是一個重要的分支。數(shù)字表示與空間表示是相互作用的，例如如當(dāng)數(shù)字是從 1 到 9 時，人注意的空間是從左到右。對于數(shù)字表示和空間表示間 相互作用的本質(zhì)現(xiàn)在還很難完全弄懂，但是我們已經(jīng)知道了空間形 桂林理工大學(xué)本科畢業(yè)設(shè)計論文 14 狀不能完全用固定的數(shù)字 來 表示（雖然空間表示和數(shù)字表示是相互分離的）。在現(xiàn)實中，數(shù)字表示和空 間表示的相互關(guān)系是會受到物理特征和文化 因素 （如從小教育中，從左到右的數(shù)字是從 1 到 9）的影響，所以在模擬這個現(xiàn)象時，我們忽略這兩種因素的作用。 模型結(jié)構(gòu)見圖 ， 模型分為四層，分布為輸入層、表示層、決定層和響應(yīng)層，如圖可見。最下面兩個單元是輸入層，這兩個單元映射到表示層中，表示為空間（ hLIP）和數(shù)字（地點代碼）。決定層包含有三個不同的任務(wù)單元，分別為平價判斷、數(shù)字對比、數(shù)字命名。在決定層中，給定層的單元數(shù)量反應(yīng)的是每一個任務(wù)的數(shù)量（在相等評價中的奇數(shù) 和偶數(shù)、在數(shù)字對比中的大小、在數(shù)字命名中的 一到九）。 在表示層中有兩個單元，各自是左邊響應(yīng)和右邊響應(yīng)。模型中，決定層和響應(yīng)層會同時處理為數(shù)字命名的任務(wù)。 圖 數(shù)字空間模型結(jié)構(gòu) 數(shù)字空間模 型是以早期模型假設(shè)為基礎(chǔ)的 ，他可以使用計算機仿真顯示研究中的解釋數(shù)據(jù)，其也可以模擬數(shù)字和