17、神经网络建模与神经控制论中的信息学分析

神经网络建模与神经控制论中的信息学分析

1. 神经网络复杂性概述

神经网络系统的复杂性主要由单元（细胞）数量、功能事件的多样性（如能量水平等状态变量）以及这些事件在时域中的发生复杂性决定。在信息层面，对神经复杂性的算法描述应涵盖上述所有因素。

神经复杂性是一个广义估计，与细胞单元在空间或时间或两者中的数量多样性（组成）、结构和属性相关。整体复杂性可能并非参与神经活动的细胞单元数量及其多样性影响的简单叠加。例如，兴奋性神经元、抑制性神经元、具有不同阈值水平的神经元以及具有不同突触输入程度的神经元等构成了上述的“多样性”特征。

2. 神经控制论过程的信息学

从控制论角度来看，神经网络中自我控制功能的信息方面由以下关键参数决定：
- 神经架构的复杂性。
- 神经状态转换的时空随机性（系统无序性）。
- 相互连接细胞的自组织效率。
- 与时空神经事件相关的系统熵。

相关的信息分析可以从以下几个方面进行：
- 如图 8.1 所示的神经信息传输三个阶段的信息处理算法。
- 神经信息的效用或价值。
- 由于细胞内和/或细胞外干扰导致信息损失而产生的信息效率。
- 神经信息流的稳态和瞬态（动态）状态。

一个复杂的神经控制论系统的主要功能是在一定范围内进行与目标相关（由目标函数决定）的自组织（或自我调节）努力。相关的随机性或无序性会导致系统参数偏离系统目标，在神经网络中，相应的偏差响应可以通过与神经环境相关的一组转移因子来量化，这些因子可细分为：
- 外部（神经外）转移子集：由外部影响（如细胞外干扰）引入的干扰或随机性导致。
- 内部（