2、生物可信的人工神经网络：原理、特性与应用

生物可信的人工神经网络：原理、特性与应用

人工神经网络基础

人工神经网络（ANNs）是基于对神经元的抽象和简化观点构建的。人工神经元相互连接并分层排列，形成大型网络，网络的功能由学习和连接决定，这些连接可通过学习形成，无需预先“编程”。然而，近期的ANN模型往往缺乏神经元的许多生理特性，更侧重于计算性能而非生物可信度。

信息处理不仅依赖于突触回路的解剖结构，还与神经元的电生理特性相关。在动力系统理论中，人们普遍认为了解神经细胞的电流就足以确定细胞的活动及其原因，但实际上，具有相似电流的细胞可能表现出不同的行为，这种差异源于不同的兴奋性分岔机制。

分岔是指动力系统因参数变化而发生的动态质变。分岔类型决定了神经元的基本计算特性，如兴奋性类别、激活阈值的有无、全或无动作电位（尖峰）、亚阈值振荡、静息和尖峰状态的双稳态，以及神经元是积分器还是谐振器等。

一个受生物启发的连接主义方法应具备神经生理学驱动的训练算法、双向连接主义架构以及分布式表示等特征。

McCulloch - Pitts神经元

McCulloch - Pitts神经元（1943年提出）是第一个数学模型，具有以下特性：
- 神经元活动是“全或无”过程。
- 在潜伏期内，一定数量的突触被激发才能使神经元兴奋，且与先前活动和神经元位置无关。
- 突触延迟是神经系统中唯一显著的延迟。
- 任何抑制性突触的活动都会阻止神经元放电。
- 网络结构随时间不变。

对于具有p个输入的神经元，其计算过程如下：
[a = \sum_{i = 1}^{p} x_i w_i]
其中，(x_i)是第i个二进制输