高级神经活动的基本过程

高级神经活动的基本过程就是兴奋过程和抑制过程,有机体的一切反射活动都由达两种神经过程的相互关系决定的。
  兴奋过程是跟有机体的某些活动的发动或加强相联系的;抑制过程是跟有机体的某些活动的停止或减弱相联系的。如在食物作用下有关控制唾液反射的中枢发生兴奋,就会引起或加强唾液腺的分泌;如控制唾液反射中枢抑制过程的发展,则唾液分泌就会减少或停止。
  兴奋和抑制虽然作用相反,但又相互依存,相互转化。某一部位有时兴奋占优势,有时抑制占优势。就整个大脑来说,清醒时兴奋占优势,睡眠时抑制占优势。
  抑制过程可分为非条件性抑制和条件性抑制两大类。
   (一)非条件性抑制
  非条件性抑制是有机体生来就有的先天性抑制,非条件性抑制包括外抑制和超限抑制两种。
  1、外抑制
  额外刺激物出现,对正在进行中的条件反射的抑制称为外抑制。如突然出现强声,立刻使原来的活动受到抑制。巴甫洛夫对外抑制的解释是额外刺激的出现引起皮层相应部位较强的兴奋时,这个新的兴奋中心增强了它对周围皮层区域的抑制,使原来的条件反射被抑制。
  2、超限抑制
   当刺激过强,过多或作用时间道久时,神经细胞不但不能引起兴奋,反而使抑制发展,这叫超限抑制。这时,大脑皮层神经细胞的兴苗性降低或进入抑制状态,借 以保护脑细胞,使其免受损坏。因此因限抑制又叫保护性抑制。人在过度疲劳时的睡眠,病儿的沉睡,动物的假死,都是超限抑制的表现。
  (二)条件性抑制
  条件性抑制又称内抑制,它是在后天一定条件下逐渐形成起来的,主要有消退抑制和分化抑制两种。
  1、消退抑制
  消退抑制是条件性抑制的最简单,最基本的形式。
  条件反射由于没有受到强化而发生的抑制,称为消退抑制。如灯光和食物结合建立起条件反射,可在灯光出现时就引起唾液分泌,但如果不再用食物来强化灯光这个条件刺激,那么就会使灯光食物性条件反射逐渐消失,它是兴奋向抑制的转化。
  消迟抑制与神经系统的类型有关。实验证明,神经系统容易兴奋、好动类型的动物消退较慢,而那些好静、孤独的神经系统类型者容易消退。另外,条件反射形成得愈巩固,愈不容易消退。形成条件反射时所用的无条件刺激的强度愈大,消退也愈不容易。
  2.分化抑制
  只对条件刺激物加以强化,而对与其类似的刺激物不强化,使类似刺激物引起的反应受到抑制,这种抑制称为分化抑制。
   在条件反射形成的初期对条件刺激的反应往往带有泛化的性质,即条件反射不仅能为条件刺激所引起,而且也能为一些与这个条件刺激相类似的刺激所 引起。例如,给狗形成了每分钟五十次节拍器音响的条件反射后,往往其它类似的声音,如每分钟六十次音响,即使没有与非条件刺激结合过,也会引起条件反应, 这就是条件反射的泛化现象。实验继续进行,只对每分钟50次节拍器音响予以强化,而对每分钟60次节拍器音响不予强化,那么泛化现象就会逐渐消失,狗只对 每分钟50次节拍器音响发生反应,而对与它相类似的刺激不发生反应,这种在分化过程中发生的抑制就是分化抑制。
  分化抑制具有重大的生物学意义,它使有机体对外界环境进行精确的分析,作出完善的反应,在学习中。对外语发音的细微区别,书写上错误的纠正,历史相似事件的区分等均通过分化抑制来实现。
兴奋和抑制无时不在进行着有规律性的运动,基本神经过程运动的规律有二。
  (一)兴奋和抑制的扩散与集中
  在刺激物的作用下,兴奋和抑制过程起初虽然发生于大脑皮层一定部位的神经细胞之中,但它们不是停滞不动的,而是要向邻近部位的神经细胞传布,造就是兴奋和抑制的扩散,在扩散到一定限度以后,它们又逐渐向原来发生的部位聚集,这就是兴奋和抑制的集中。
   刺激物所引起的神经过程的强度是决定兴奋和抑制的扩散和集中的重要条件,当兴奋和抑制的强度过大或过小时,易于扩散;当它们的强度适中时,就 容易集中。例如,当人体某处受到非常重的打击时,浑身都感到震颤,这说明强兴奋易于扩散;当身体某处的皮肤受到轻微的触摸时会感到浑身发麻,这说明弱兴奋 也易于扩散;而只有中等强度的皮肤刺激,我们对它感觉的定位才最分明,这说明中等强度的兴奋易于集中。巴甫洛夫说,直到现在所汇集的材料,允许我们作出一 个结论:即是在弱的兴奋过程的场合,会发生扩散作用,在中等强度的场合,会发生集中作用,而在很强的兴奋的场合,又会发生扩散作用。在抑制过程的场合,也 完全与此相同。
  (二)兴奋和抑制的相互诱导
  由于兴奋过程引起或加强周围或同一部位的抑制过程称为负诱导。相反,由抑制过程引起或加强同一部位的兴奋过程称为正诱导。
  诱导过程如果同时发生,称为同时诱导(发生在不同的部位上),如果相继发生,称为继时性诱导(发生在同一部位上)。
  由睡眠到觉醒属于正诱导现象。 
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值