13、生物启发式神经网络中的学习研究

生物启发式神经网络中的学习研究

1. 神经网络与环境交互及适应机制

在相关研究中，网络能够基于与环境的交互来控制智能体的运动。系统通过个体群体的进化发展来适应环境，所实施的进化机制可使神经网络在短时间内完成适应，进而让网络有能力控制智能体在环境中安全导航，避免与墙壁发生碰撞。

2. 生物启发式人工动作电位神经网络

2.1 人工神经网络基础

人工神经网络（ANNs）是受神经系统结构和功能启发的数学模型，由被称为单元或神经元的单个元素组成。每个单元作为处理元素，接收来自环境或其他单元的输入，对所有输入信号进行处理后，依据特定数学函数输出单个信号，信息会根据系统的整体架构在网络中传播。

2.2 人工神经网络的三代分类

根据神经元用于转换传入信息的数学模型，人工神经网络可分为三代：
| 代数 | 模型 | 输出特点 |
| ---- | ---- | ---- |
| 第一代 | 基于McCulloch - Pitts模型（1943年） | 输出为二进制 |
| 第二代 | - | 单元输出为连续值（通常在0到1或 - 1到1之间，是S形激活函数的结果） |
| 第三代 | 使用动作电位神经元 | 被认为能更好地模拟生物神经元的输出，利用时间作为处理信息的资源 |

2.3 动作电位神经元模型

存在多种动作电位神经元模型，在使用这类模型时，需要在计算简单性和重现生物网络放电模式这两个看似相互排斥的重要特性之间进行权衡。例如，Hodking - Huxley提出的模型生物物理精度高，但计算成本极高，实时可建模的神经元数量有限；而