12、人工神经网络与进化连接主义系统的深入解析

人工神经网络与进化连接主义系统的深入解析

1. 人工神经网络概述

人工神经网络（ANN）是一种复杂且强大的建模技术，能够对极其复杂的函数进行建模。传统的ANN，如多层感知器（MLP），虽有广泛应用，但存在一些问题，比如常收敛于误差函数的局部最小值，训练困难，且在实际应用中需要大量试验来确定隐藏神经元数量和其他参数。不过，ANN在众多场景中都能发挥作用，只要预测变量（自变量、输入）和被预测变量（因变量、输出）之间存在关系，即便这种关系复杂且难以用常规的相关性或类别差异来描述。同时，ANN还能有效应对高维变量下非线性函数建模的维数灾难问题。

ANN通过示例学习，用户收集代表性数据，然后利用训练算法自动学习数据结构。这些优点也延续到了一类新的ANN——脉冲神经网络（SNN）或脉冲耦合网络中。SNN由能像生物神经元一样发射和接收脉冲的神经元模型组成，如今常用于模拟神经功能。然而，尽管我们对基因对神经功能的影响有了更多了解，但现有的大脑和神经功能计算模型却缺乏这一重要组成部分。

1.1 神经元参数与相关蛋白

在SNN模型中，神经元有多个参数，每个参数都与特定的蛋白质相关，具体如下表所示：
| 神经元参数 (P_j) | 相关蛋白质 (P_t) |
| — | — |
| 快速兴奋突触后电位（PSP）的幅度和时间常数 | AMPAR（氨基甲基异恶唑丙酸AMPA受体） |
| 慢速兴奋PSP的幅度和时间常数 | NMDAR（N - 甲基 - D - 天冬氨酸NMDA受体） |
| 快速抑制PSP的幅度和时间常数 | GABRA（γ - 氨基丁酸GABA A受体） |
| 慢速抑制PSP的幅度和时间常数 | GA